SlideShare una empresa de Scribd logo
1 de 167
Descargar para leer sin conexión
Probabilidad y Estad´ıstica:
Estad´ıstica Descriptiva
Dr. Juliho Castillo
18 de septiembre de 2017
Universidad LaSalle Oaxaca
1
1 Definiciones y conceptos
Distribuciones de frecuencias
Problemas Resueltos
2 Medidas de tendencia central
Python
Problemas resueltos
3 Desviaci´on est´andar y otras medidas de dispersi´on
Python
Problemas resueltos
2
Definiciones y conceptos
3
Estad´ıstica
La estad´ıstica se ocupa de los m´etodos cient´ıficos que se
utilizan para recolectar, organizar, resumir, presentar y analizar
datos as´ı como para obtener conclusiones v´alidas y tomar
buenas decisiones razonables con base en este an´alisis.
4
#10 Peso
Figura 1.1: El peso promedio de una persona hoy es 14
kilogramos mayor que en la d´ecada de 1960.
5
#9 Trabajo y estudio
Figura 1.2: Entre un 70 y un 80 % de los estudiantes universitarios
hoy en d´ıa tiene un trabajo de media jornada o jornada completa.
Eso es el doble de los que estudiantes que trabajaban hace 30 a˜nos.
6
#8 Televisi´on
Figura 1.3: En los Estados Unidos, la cantidad de personas que
miran televisi´on regularmente se redujo en 27 % entre 2011 y 2014.
7
#7 Consumo de drogas
Figura 1.4: El consumo de drogas en los j´ovenes ha ido
disminuyendo consistentemente en los ´ultimos 20 a˜nos. En los
Estados Unidos, el porcentaje de j´ovenes y adolescentes que
admite haber consumido drogas ilegales pas´o de 34 % en 1997, a
27 % en la actualidad.
8
#6 Embarazo adolescente
Figura 1.5: El embarazo adolescente se ha reducido a la mitad
desde la d´ecada de 1950.
9
#5 Consumo de tabaco
Figura 1.6: Tambi´en el consumo de tabaco se redujo
considerablemente en los ´ultimos 50 a˜nos. En los Estados Unidos,
el porcentaje de personas que fumaban un paquete por d´ıa era de
35 % en 1954, y de 20 % en 2014.
10
#4 Matrimonio
Figura 1.7: En 1968, el 56 % de los estadounidenses entre 18-31
a˜nos estaba casado. En 2012 el porcentaje se redujo a 23 %.
11
#3 Cociente intelectual
Figura 1.8: En 1910, el cociente intelectual promedio ser´ıa de 70,
de acuerdo a las mediciones actuales. Ahora, el promedio es de
entre 130 y 150, dependiendo de la medici´on.
12
Observaci´on: Seg´un el experto James Flynn, como
especie evolucionamos en el entendimiento de categor´ıas,
sistemas hipot´eticos, lenguaje no verbal e im´agenes
visuales que retratan realidades alternativas.
13
#2 Peces en el mar
Figura 1.9: Desde 1950, un 90 % de los peces m´as grandes del
oc´eano han desaparecido. La causa es la pesca industrial.
14
#1 Ancianos
Figura 1.10: Hoy en d´ıa la poblaci´on mayor de 65 a˜nos es diez
veces mayor de lo que lo era hace un siglo.
15
Fuente: 10 curiosos datos estad´ısticos que prueban c´omo ha
cambiado el mundo, por Pablo Fern´andez.
16
Piratas contra el calentamiento global
Figura 1.11: «You may be interested to know that global
warming, earthquakes, hurricanes, and other natural disasters are a
direct effect of the shrinking numbers of Pirates since the 1800s.»
Open Letter To Kansas School Board
17
El t´ermino estad´ıstica tambi´en se usa para denotar los datos
o los n´umeros que se obtienen de esos datos; por ejemplo, los
promedios. As´ı, se habla de estad´ısticas de empleo, estad´ısticas
de accidentes, etc´etera.
18
Poblaci´on y muestra
Cuando se recolectan datos sobre las caracter´ısticas de un
grupo de individuos o de objetos, por ejemplo:
estatura y peso de los estudiantes de una universidad
o cantidad de pernos defectuosos y no defectuosos
producidos en determinado d´ıa en una f´abrica,
suele ser imposible o poco pr´actico observar todo el grupo, en
especial si se trata de un grupo grande.
19
En vez de examinar todo el grupo, al que se le conoce como
poblaci´on o universo, se examina s´olo una peque˜na parte del
grupo, al que se le llama muestra.
20
Las poblaciones pueden ser finitas o infinitas. Por ejemplo:
la poblaci´on que consta de todos los pernos producidos
determinado d´ıa en una f´abrica es finita,
en tanto que la poblaci´on que consta de todos los
resultados (cara o cruz) que se pueden obtener lanzando
una y otra vez una moneda es infinita.
21
Si la muestra es representativa de la poblaci´on, el an´alisis de la
muestra permite inferir conclusiones v´alidas acerca de la
poblaci´on.
A la parte de la estad´ıstica que se ocupa de las condiciones
bajo la cuales tales inferencias son v´alidas se le llama
estad´ıstica inductiva o inferencial.
Como estas inferencias no pueden ser absolutamente ciertas,
para presentar estas conclusiones se emplea el lenguaje de la
probabilidad.
22
A la parte de la estad´ıstica que ´unicamente trata de describir y
analizar un grupo dado, sin sacar ninguna conclusi´on ni hacer
inferencia alguna acerca de un grupo m´as grande, se le conoce
como estad´ıstica descriptiva o deductiva.
23
Variables: discretas vs continuas
Una variable es un s´ımbolo; por ejemplo, X, Y, H, x, B, que
puede tomar cualquiera de los valores de determinado
conjunto al que se le conoce como dominio de la variable.
A una variable que s´olo puede tomar un valor se le llama
constante.
24
Una variable X que puede tomar cualquiera de los valores en
la recta num´erica R es una variable continua.
Si los valores que una variable puede tomar se pueden numerar
X1, X2, ..., XN , ...
diremos que es una variable discreta.
25
Ejemplo 1.1.
La cantidad N de hijos que tiene una familia puede tomar los
valores 0, 1, 2, 3, ..., pero no puede tomar valores como 2.5 o
3.842; ´esta es una variable discreta.
26
Ejemplo 1.2.
La estatura H de una persona que puede ser 62 pulgadas (in),
63.8 in o 65.8341 in, dependiendo de la exactitud conque se
mida, es una variable continua.
27
Los datos descritos mediante una variable discreta son datos
discretos y los datos descritos mediante una variable continua
son datos continuos.
¿Qu´e tipo de dato es..
la cantidad de hijos que tiene cada una de 1 000 familias?
las estaturas de 100 estudiantes universitarios.?
En general, una medici´on proporciona datos continuos; en
cambio, una enumeraci´on o un conteo proporciona datos
discretos.
28
Es ´util ampliar el concepto de variable a entidades no
num´ericas;por ejemplo, en el arco iris, color C es una variable
que puede tomar los “valores” rojo, anaranjado, amarillo,
verde, azul, ´ındigo o violeta.
Estas variables se pueden reemplazar por n´umeros; por
ejemplo, se puede denotar rojo con 1, anaranjado con 2,
etc´etera.
29
Definiciones y conceptos
Distribuciones de frecuencias
30
Datos en bruto
Los datos en bruto son los datos recolectados que a´un no se
han organizado. Por ejemplo, las estaturas de 100 estudiantes
tomados de la lista alfab´etica de una universidad.
31
Ordenaciones
Ordenaci´on se le llama a los datos num´ericos en bruto
dispuestos en orden creciente o decreciente de magnitud.
A la diferencia entre el n´umero mayor y el n´umero menor se le
conoce como el rango de los datos.
Por ejemplo, si la estatura mayor en los 100 estudiantes es 74
pulgadas (in) y la menor es 60 in, el rango es
74 − 60 = 14 in.
32
DISTRIBUCIONES DE FRECUENCIA
Al organizar una gran cantidad de datos en bruto, suele
resultar ´util distribuirlos en clases o categor´ıas y determinar
la cantidad de datos que pertenece a cada clase; esta cantidad
se conoce como la frecuencia de clase.
33
A la disposici´on tabular de los datos en clases con sus
respectivas frecuencias de clase se le conoce como
distribuci´on de frecuencias o tabla de frecuencias.
34
Figura 1.12: Distribuci´on de frecuencias de las estaturas
(registradas a la pulgada m´as cercana) de 100 estudiantes de la
universidad XYZ.
35
La primera clase (o categor´ıa), por ejemplo, consta de las
estaturas que van desde 60 hasta 62 pulgadas y queda
identificada por el s´ımbolo 60-62. Como hay cinco estudiantes
cuyas estaturas pertenecen a esta clase, la frecuencia de clase
correspondiente es 5.
36
A los datos organizados y resumidos como en la distribuci´on
de frecuencias anterior se les llama datos agrupados.
Observaci´on: Aunque al agrupar los datos se pierden
muchos de los detalles originales de los datos, esto tiene la
ventaja de que se obtiene una visi´on general clara y se
hacen evidentes las relaciones.
37
INTERVALOS DE CLASE Y L´IMITES DE CLASE
Al s´ımbolo que representa una clase, como 60-62 en la tabla
1.12, se le conoce como intervalo de clase.
A los n´umeros de los extremos, 60 y 62, se les conoce como
l´ımites de clase; el n´umero menor (60) es el l´ımite inferior de
clase, y el n´umero mayor (62) es el l´ımite superior de clase.
Los t´erminos clase e intervalo de clase se suelen usar
indistintamente, aunque el intervalo de clase en realidad es un
s´ımbolo para la clase.
38
Un intervalo de clase que, por lo menos te´oricamente, no
tenga indicado el l´ımite de clase superior o el l´ımite de clase
inferior, se conoce como intervalo de clase abierto.
Por ejemplo, al considerar grupos de edades de personas, un
intervalo que sea “65 a˜nos o mayores” es un intervalo de clase
abierto.
39
FRONTERAS DE CLASE
Si las estaturas se registran a la pulgada m´as cercana, el
intervalo de clase 60-62 comprende te´oricamente todas las
mediciones desde 59.5000 hasta 62.5000 in.
Estos n´umeros que se indican brevemente mediante los
n´umeros exactos 59.5 y 62.5 son las fronteras de clase o los
l´ımites de clase reales; el menor de los n´umeros (59.5) es la
frontera inferior de clase y el n´umero mayor (62.5) es la
frontera superior de clase.
40
En la pr´actica, las fronteras de clase se obtienen sumando el
l´ımite superior de un intervalo de clase al l´ımite inferior del
intervalo de clase inmediato superior y dividiendo entre 2.
41
Algunas veces, las fronteras de clase se usan para representar a
las clases.
Por ejemplo, las clases de la tabla 2.1 pueden indicarse como
59.5-62.5, 62.5-65.5, etc.
Para evitar ambig¨uedades cuando se usa esta notaci´on, las
fronteras de clase no deben coincidir con las observaciones.
Por lo tanto, si una observaci´on es 62.5, no es posible decidir
si pertenece al intervalo 59.5-62.5 o al intervalo 62.5-65.5
42
TAMA˜NO O AMPLITUD DE UN INTERVALO DE
CLASE
El tama˜no, o la amplitud, de un intervalo de clase es la
diferencia entre sus fronteras superior e inferior y se le conoce
tambi´en como amplitud de clase, tama˜no de clase o
longitud de clase.
43
Si en una distribuci´on de frecuencia todos los intervalos de
clase tienen la misma amplitud, esta amplitud com´un se
denota c.
En este caso, c es igual a la diferencia entre dos l´ımites
inferiores de clases sucesivas o entre dos l´ımites superiores de
clases sucesivas.Por ejemplo, en los datos de la tabla 2.1, el
intervalo de clase es
c = 62.5 − 59.5 = 65.5 − 62.5 = 3.
44
LA MARCA DE CLASE
La marca de clase es el punto medio del intervalo de clase y
se obtiene sumando los l´ımites de clase inferior y superior y
dividiendo entre 2.
As´ı, la marca de clase del intervalo 60-62 es
(60 + 62)/2 = 61.
A la marca de clase tambi´en se le conoce como punto medio
de clase.
45
Para los an´alisis matem´aticos posteriores, se supone que todas
las observaciones que pertenecen a un intervalo de clase dado
coinciden con la marca de clase.
As´ı, se considera que todas las estaturas en el intervalo de
clase 60-62 in son de 61 in.
46
REGLAS GENERALES PARA FORMAR UNA DIS-
TRIBUCI´ON DE FRECUENCIAS I
En el conjunto de los datos en bruto, se determina el n´umero
mayor y el n´umero menor y se halla, as´ı, el rango (la diferencia
entre los n´umeros mayor y menor).
47
REGLAS GENERALES PARA FORMAR UNA DIS-
TRIBUCI´ON DE FRECUENCIAS II
Se divide el rango en una cantidad adecuada de intervalos de
clase de una misma amplitud. Si esto no es posible, se usan
intervalos de clase de diferentes amplitudes o intervalos de
clase abiertos. La cantidad de intervalos suele ser de 5 a 20,
dependiendo de los datos. Los intervalos de clase tambi´en
suelen elegirse de manera que las marcas de clase (o puntos
medios de clase) coincidan con datos observados. Esto tiende
a disminuir el llamado error de agrupamiento en los an´alisis
matem´aticos subsiguientes. En cambio, las fronteras de clase
no deben coincidir con datos observados.
48
REGLAS GENERALES PARA FORMAR UNA DIS-
TRIBUCI´ON DE FRECUENCIAS III
Se determina la cantidad de observaciones que caen dentro de
cada intervalo de clase; es decir, se encuentran las frecuencias
de clase. La mejor manera de hacer esto es utilizando una hoja
de conteo.
49
HISTOGRAMAS Y POL´IGONOS DE FRECUEN-
CIAS
Los histogramas y los pol´ıgonos de frecuencias son dos
representaciones gr´aficas de las distribuciones de frecuencias.
50
Un histograma o histograma de frecuencias consiste en un
conjunto de rect´angulos que tienen: a) sus bases sobre un eje
horizontal (el eje X ), con sus centros coincidiendo con las
marcas de clase de longitudes iguales a la amplitud del
intervalo de clase, y b) ´areas proporcionales a las frecuencias
de clase.
51
Un pol´ıgono de frecuencias es una gr´afica de l´ınea que
presenta las frecuencias de clase graficadas contra las mar- cas
de clase. Se puede obtener conectando los puntos medios de
las partes superiores de los rect´angulos de un histograma.
52
Figura 1.13: Histograma que muestra los puntos medios y las
frecuencias de clase.
53
DISTRIBUCIONES DE FRECUENCIAS RELATIVAS
La frecuencia relativa de una clase es la frecuencia de la clase
dividida entre la suma de las frecuencias de todas las clases y
generalmente se expresa como porcentaje.
Por ejemplo, en la tabla 1.12, la frecuencia relativa de la clase
66-68 es 42/100 = 42 %. Por supuesto, la suma de las
frecuencias relativas de todas las clases es 1, o 100 %.
54
Si en la tabla 1.12 las frecuencias se sustituyen por frecuencias
relativas, la tabla que se obtiene es una distribuci´on de
frecuencias relativas, distribuci´on porcentual o tabla de
frecuencias relativas.
55
Las representaciones gr´aficas de las distribuciones de
frecuencias relativas se obtienen a partir de los histogramas o
pol´ıgonos de frecuencias, cambiando ´unicamente, en la escala
vertical, las frecuencias por las frecuencias relativas y
conservando la gr´afica exactamente igual.
A las gr´aficas que se obtienen se les llama histogramas de
frecuencias relativas (o histogramas porcentuales) y
pol´ıgonos de frecuencias relativas (o pol´ıgonos
porcentuales), respectivamente.
56
DISTRIBUCIONES DE FRECUENCIAS ACUMULA-
DAS Y OJIVAS
A la suma de todas las frecuencias menores que la frontera
superior de un intervalo de clase dado se le llama frecuencia
acumulada hasta ese intervalo de clase inclusive.
Por ejemplo, en la tabla 1.12, la frecuencia acumulada hasta el
intervalo de clase 66-68 inclusive es 5 + 18 + 42 = 65, lo que
significa que 65 estudiantes tienen una estatura menor a
68.5 in.
57
Figura 1.14: Pol´ıgono de frecuencias de las estaturas de los
estudiantes.
58
A una tabla en la que se presentan las frecuencias acumuladas
se le llama distribuci´on de frecuencias acumuladas, tabla
de frecuencias acumuladas o simplemente distribuci´on
acumulada, y se presenta en la tabla 2.2 para la distribuci´on
de las estaturas de los estudiantes de la tabla 1.12.
59
Figura 1.15: Una gr´afica que muestra las frecuencias acumuladas
menores de cada frontera superior de clase respecto a cada
frontera superior de clase se le conoce como gr´afica de
frecuencias acumuladas u ojiva.
60
DISTRIBUCIONES DE FRECUENCIAS ACUMULA-
DAS RELATIVAS Y OJIVAS PORCENTUALES
La frecuencia acumulada relativa o frecuencia
acumulada porcentual es la frecuencia acumulada dividida
entre la suma de todas las frecuencias (frecuencia total).
61
Por ejemplo, la frecuencia acumulada relativa de las estaturas
meno- res que 68.5 in es 65/100 = 0.65 o 65 %, lo que
significa que 65 % de los estudiantes tienen estaturas menores
a 68.5 in.
62
Si en la tabla 1.15 se emplean las frecuencias acumuladas
relativas en lugar de las frecuencias acumuladas, se obtiene
una distribuci´on de frecuencias acumuladas relativas (o
distribuci´on acumulada porcentual) y una gr´afica de
frecuencias acumuladas relativas (u ojiva porcentual),
respectivamente.
63
Definiciones y conceptos
Problemas Resueltos
64
Problema Resuelto 1.1.
1 Disponer los n´umeros 17, 45, 38, 27, 6, 48, 11, 57, 34, 22 en
una ordenaci´on.
2 Determinar el rango de estos n´umeros.
65
# -*- coding: utf-8 -*-
"""
Ejercicio 2.1
a) Disponer los n´umeros 17, 45, 38, 27, 6, 48, 11, 57,
b) Determinar el rango de estos n´umeros.
"""
miLista = [17,45,38,27,6,48,11,57,34,22]
print(miLista)
miListaOrdenada = sorted(miLista)
print(miListaOrdenada)
rango = max(miLista)-min(miLista)
print(rango)
66
Problema Resuelto 1.2.
En la tabla siguiente se presentan las calificaciones finales que
obtuvieron en matem´atica 80 alumnos de una universidad.
67
De acuerdo con esta tabla, encontrar:
(a) La calificaci´on m´as alta.
(b) La calificaci´on m´as baja.
(c) El rango.
(d) Las calificaciones de los cinco mejores estudiantes.
(e) Las calificaciones de los cinco peores estudiantes.
(f) La calificaci´on del alumno que tiene el d´ecimo lugar entre
las mejores calificaciones.
(g) El n´umero de estudiantes que obtuvieron 75 o m´as.
(h) El n´umero de estudiantes que obtuvieron 85 o menos.
(i) El porcentaje de los estudiantes que obtuvieron
calificaciones mayores a 65 pero no mayores a 85.
(j) Las calificaciones que no aparecen en esta tabla.
68
69
miLista = [68,84,75,83,68,90,62,88,76,93,
73,79,88,73,60,93,71,59,85,75,
61,65,75,87,74,62,95,78,63,72,
66,78,82,75,94,77,69,74,68,60,
96,78,89,61,75,95,60,79,83,71,
79,62,67,97,78,85,76,65,71,75,
65,80,73,57,88,78,62,76,53,74,
86,67,73,81,72,63,76,75,85,77]
70
#La calificaci´on m´as alta.
M=max(miLista); print(M)
#La calificaci´on m´as baja.
m=min(miLista); print(m)
#El rango.
rango=M-m; print(rango)
71
#Ordenamos la lista
miListaOrd = sorted(miLista)
print(miListaOrd)
#Las calificaciones de los cinco mejores estudiantes.
print(miListaOrd[-5:])
#Las calificaciones de los cinco peores estudiantes.
print(miListaOrd[:5])
#La calificaci´on del alumno que tiene el d´ecimo lugar
#entre las mejores calificaciones.
print(miListaOrd[-10])
72
#El n´umero de estudiantes que obtuvieron 75 o m´as.
mayorQue75 = [elemento for elemento in miListaOrd
if elemento>=75]
print(mayorQue75, len(mayorQue75))
#El n´umero de estudiantes que obtuvieron 85 o menos.
menorQue85 = [x for x in miListaOrd if x<=85]
print(menorQue85, len(menorQue85))
73
#El porcentaje de los estudiantes
#que obtuvieron calificaciones
#mayores a 65 pero no mayores a 85.
de65a85 = [x for x in miListaOrd if 65<=x<=85]
print(len(de65a85)/len(miLista))
print(1.0*len(de65a85)/len(miLista))
74
#Las calificaciones que no aparecen en esta tabla.
complemento = [x for x in range(0,100+1)
if not(x in miLista)]
print(complemento)
75
Ahora, exploraremos los datos a trav´es de histogramas. Para
este fin, utilizaremos dos paquetes muy populares de Python:
numpy y matplotlib.
76
Numpy
NumPy es una extensi´on de Python, que le agrega mayor
soporte para vectores y matrices, constituyendo una biblioteca
de funciones matem´aticas de alto nivel para operar con esos
vectores o matrices.1
1
https://es.wikipedia.org/wiki/NumPy
77
Matplotlib
Matplotlib es una biblioteca para la generaci´on de gr´aficos a
partir de datos contenidos en listas o arrays en el lenguaje de
programaci´on Python y su extensi´on matem´atica NumPy.
Proporciona una API, pylab, dise˜nada para recordar a la de
MATLAB.2
2
https://es.wikipedia.org/wiki/Matplotlib
78
import numpy as np
import matplotlib.pyplot as plt
miLista = [68,84,75,83,68,90,62,88,76,93,
73,79,88,73,60,93,71,59,85,75,
61,65,75,87,74,62,95,78,63,72,
66,78,82,75,94,77,69,74,68,60,
96,78,89,61,75,95,60,79,83,71,
79,62,67,97,78,85,76,65,71,75,
65,80,73,57,88,78,62,76,53,74,
86,67,73,81,72,63,76,75,85,77]
miLista = np.array(miLista)
79
plt.hist(miLista, bins=’auto’)
# arguments are passed to np.histogram
plt.title("Histogram with ’auto’ bins")
plt.show()
80
plt.hist(miLista, bins=[53,64.75,86,97])
# arguments are passed to np.histogram
plt.show()
81
plt.hist(miLista, bins=np.arange(miLista.min(),
miLista.max()+1))
plt.show()
82
plt.hist(miLista,
bins=np.arange(miLista.min(), miLista.max()+1),
align=’left’)
plt.show()
83
plt.ylabel(’Cumulative Frequency’)
plt.xlabel(’Data’)
plt.hist(miLista, bins=’auto’, histtype=’step’,
cumulative=True)
# arguments are passed to np.histogram
plt.title("Histogram with ’auto’ bins")
plt.show()
84
plt.ylabel(’Relative Cumulative Frequency’)
plt.xlabel(’Data’)
plt.hist(miLista, bins=’auto’,normed=1,
histtype=’step’, cumulative=True)
# arguments are passed to np.histogram
plt.title("Histogram with ’auto’ bins")
plt.show()
85
86
myBins = np.linspace(50,100, (100-50)/5+1)
print myBins
miHistograma = np.histogram(miLista, bins=myBins)
print miHistograma
print miHistograma[0]
print miHistograma[1]
87
print "Intervalo"+8*" "+"Frecuencia"
for k in range(len(myBins)-1):
liminf=myBins[k]
limsup=myBins[k+1]-1
frecuencia=miHistograma[0][k]
print "["+str(liminf)+"-"+str(limsup)+")"+6*" "
+str(frecuencia)
88
print "Intervalo"+8*" "+"Frecuencia"+2*" "+
"Elementos en intervalo"
for k in range(len(myBins)-1):
liminf=myBins[k]
limsup=myBins[k+1]-1
frecuencia=miHistograma[0][k]
elementos = []
for x in miLista:
if (liminf<=x and x<limsup):
elementos.append(x)
sep = len("Frecuencia")+2-len(str(frecuencia))
print "["+str(liminf)+"-"+str(limsup)+")"+6*" "+
str(frecuencia)+12*" "+str(elementos)
89
¿Qu´e opciones existen para el par´ametro bins?
1 https://docs.scipy.org/doc/numpy/reference/generated/
numpy.histogram.html
2 https://stackoverflow.com/questions/9141732/how-does-
numpy-histogram-work
90
Ejercicio de pr´actica.
Analice los siguientes datos a trav´es de histogramas, utilizando
las diferentes opciones para el par´ametro bins.
[ 5. 4. 6. 5. 4. 6. 6. 4. 5. 3.
6. 6. 6. 3. 5. 5. 5. 5.
6. 3. 5. 4. 5. 6. 6. 5. 6. 3.
5. 6. 5. 5. 6. 6. 6. 5.
5. 5. 6. 7. 5. 4. 5. 3. 5. 4.
5. 5. 6. 5. 6. 4. 4. 5.
4. 5. 5. 5. 6. 7. 4. 5. 5. 5.
6. 3. 7. 4. 5. 6. 4. 5.
6. 6. 4. 7. 5. 4. 6. 5. 5. 1.
6. 5. 5. 5. 6. 6. 5. 6.
5. 5. 4. 4. 6. 5. 5. 6. 4. 4.]
91
Sugerencia
Genere la lista anterior, utilizando el siguiente c´odigo
import numpy as np
np.random.seed(1234)
mu, sigma = 5, 1 # mean and standard deviation
s = np.random.normal(mu, sigma, 100)
print np.rint(s)
92
Para profundizar...
Una de las mejores plataformas para aprender an´alisis de
datos es DataCamp. Puede comenzar a dominar Python con
el curso Intro to Python for Data Science.
93
Medidas de tendencia central
94
´Indice y sub´ındices
El s´ımbolo Xj representa cualquiera de los valores
X1, X2, X3, ... que puede tomar la variable discreta X.
El s´ımbolo j denota cualquiera de los n´umeros naturales
1, 2, 3, ... y se le llama ´ındice (o a veces sub´ındice o tambi´en
contador).
95
Definici´on 2.1 (Sumatoria).
N
j=1
Xj = X1 + ... + XN
96
Ejemplo 2.1.
N
k=1
XkYk = X1Y1 + ... + XN YN
N
i=1
aXi = aX1 + ... + aXN = a
N
n=1
Xn.
97
Observaci´on: Cuando se sobrentiende que el contador
j corre sobre los n´umeros 1, 2, ..., N, escribimos Xj o
simplemente X en lugar de N
j=1 .
98
Linealidad
Problema 2.1.
Si a, b son constantes, demuestre que
(aX + bY ) = a X + b Y.
99
Promedio
UN promedio es un valor representativo de un conjunto de
datos que tiende a encontrarse en el centro de dicho conjunto.
Por esta raz´on, tambi´en se le conoce como medidas de
tendencia central.
100
Se pueden definir varios tipo de promedios:
Media aritm´etica;
mediana;
moda;
media geom´etrica;
media arm´onico.
101
Observaci´on: Cada medida de tendencia central tiene
ventajas y desventajas de acuerdo al tipo de datos y el
prop´osito del uso.
102
Definici´on 2.2 (Media aritm´etica).
¯X =
X1 + ... + XN
N
=
N
j=1 Xj
N
=
X
N
(2.1)
103
Ejemplo 2.2.
La media aritm´etica de 8, 3, 5, 12, 10 es...
104
Si los n´umeros X1, X2, ..., Xk se presentan con frecuencias
f1, f2, ..., fk respectivamente su media aritm´etica es
¯X =
f1X1 + ... + fkXk
f1 + ... + fk
=
fX
f
=
fX
N
. (2.2)
d´onde N = f es la suma de frecuencias o total de
casos.
105
Ejemplo 2.3.
Si 5, 8, 6, 2 se presentan con frecuencias 3, 2, 4, 1
respectivamente, su media aritm´etica es...
106
Media aritm´etica ponderada
Algunas veces, a los n´umeros X1, ..., Xk se les asignan ciertos
factores de ponderaci´on o pesos w1, ..., wk, tales que



0 % ≤ wi ≤ 100 %
wi = 100 %
107
Definici´on 2.3 (Media ponderada).
Si w1, .., wk son pesos tales que 0 ≤ wi ≤ 1 y wi = 1,
entonces la correspondiente media (aritm´etica) ponderada de
los n´umeros X1, ..., Xk es
¯X =
w1X1 + ... + wkXk
w1 + ... + wk
=
wX
w
= wX.
108
Ejemplo 2.4.
Si en una clase, al examen final se le da el triple del valor que
a los ex´amenes parciales y un estudiante obtiene 85 en el final
y 70 y 90 en los dos ex´amenes parciales, obtener su media
ponderada.
109
1 Si wi = 1
N
, obtenemos la media aritm´etica usual.
2 Si wi = fi
N
, obtenemos la f´ormula (2.2).
110
Cuando los n´umeros son muy grandes, se suele utilizar un
pivote P :
¯X = P +
fidi
N
,
donde di = Xi − P.
En ocasiones, utilizaremos la notaci´on
¯d =
fidi
N
,
de manera que ¯d es la desviaci´on promedio y ¯X = P + ¯d.
111
Observaci´on:
Para datos agrupados, Xi se escoge como la marca de la
i−´esima clase.
112
La mediana
La mediana ˜X de un conjunto de n´umeros acomodados en un
orden de magnitud (es decir, en una ordenaci´on) es el valor
central o la media de dos valores centrales.
113
Ejemplo 2.5.
La mediana de la lista de n´umeros 3, 4, 5, 6, 8, 8, 8, 10 es...
La mediana de la lista de n´umeros 5, 5, 7, 9, 11, 12, 15, 18
es..
114
Definici´on 2.4 (Mediana para datos agrupados).
Mediana = L +




N
2
− C<CM
f
fCM




donde
L es la frontera inferior de la clase mediana, es decir, de
la clase que contiene la mediana;
N es la frecuencia total;
C<CM
f suma de las frecuencias de todas las clases
anteriores a la clase mediana;
fCM
es la frecuencia de la clase mediana.
115
Moda
La moda de una lista de n´umeros es un valor que se presenta
con la mayor frecuencia f > 1. La moda no es
necesariamente existe ni es ´unica.
116
Ejemplo 2.6.
La moda de la lista 2, 2, 5, 7, 9, 9, 9, 10, 10, 11, 12, 18 es...
En este caso, diremos que la lista es unimodal.
¿Cu´al es la moda de la lista 3, 5, 8, 0, 12, 15, 16?
¿Cu´al es la moda de la lista 3, 8, 8, 8, 15, 15, 15? En este
caso diremos que la lista es bimodal.
117
Definici´on 2.5 (Moda para datos agrupados).
Moda = L +
∆1
∆1 + ∆2
c
donde
1 L : Frontera inferior de la clase modal, es decir, de la
clase que contiene la moda.
2 ∆1 : Exceso de frecuencia modal sobre la frecuencia en la
clase inferior inmediata.
3 ∆2 : Exceso de frecuencia modal sobre la frecuencia en la
clase superior inmediata.
4 c : Amplitud del intervalo de la clase modal.
118
Medidas de tendencia central
Python
119
numpy.mean
numpy.mean(a, axis=None, dtype=None, out=None,
keepdims=<class numpy._globals._NoValue>)
Calcula la media aritm´etica sobre los elementos de un arreglo. 3
3
https://github.com/numpy/numpy/blob/v1.13.0/numpy/core/fromnumeric.py
L2909
120
Ejemplos
a = np.array([[1, 2], [3, 4]])
print np.mean(a)
#2.5
print np.mean(a, axis=0)
#array([ 2., 3.])
print np.mean(a, axis=1)
#array([ 1.5, 3.5])
121
numpy.median
numpy.median(a, axis=None, out=None,
overwrite_input=False, keepdims=False)
Calcula la mediana de los elementos de un arreglo de
n´umeros.4
4
https://docs.scipy.org/doc/numpy/reference/generated/numpy.median.html
122
Ejemplos I
import numpy as np
a = np.array([[10, 7, 4], [3, 2, 1]])
print a
#array([[10, 7, 4],6[ 3, 2, 1]])
print np.median(a)
#3.5
print np.median(a, axis=0)
#array([ 6.5, 4.5, 2.5])
print np.median(a, axis=1)
#array([ 7., 2.])
123
Ejemplos II
m = np.median(a, axis=0)
out = np.zeros_like(m)
print np.median(a, axis=0, out=m)
#array([ 6.5, 4.5, 2.5])
print m
#array([ 6.5, 4.5, 2.5])
b = a.copy()
print np.median(b, axis=1, overwrite_input=True)
#array([ 7., 2.])
assert not np.all(a==b)
124
Ejemplos III
b = a.copy()
print np.median(b, axis=None, overwrite_input=True)
#3.5
assert not np.all(a==b)
125
SciPy
SciPy es una biblioteca open source de herramientas y
algoritmos matem´aticos para Python... SciPy contiene
m´odulos para optimizaci´on, ´algebra lineal, integraci´on,
interpolaci´on, funciones especiales, FFT, procesamiento de
se˜nales y de imagen, resoluci´on de ODEs y otras tareas para la
ciencia e ingenier´ıa. Est´a dirigida al mismo tipo de usuarios que
los de aplicaciones como MATLAB, GNU Octave, y Scilab.5
5
https://es.wikipedia.org/wiki/SciPy
126
Moda I
import numpy as np
from scipy import stats
a = np.array([3,5,6,5,6,5,6,6,3,1,5])
print stats.mode(a)
# ModeResult(mode=array([5]), count=array([4]))
127
Moda II
b = np.array([[6, 8, 0, 0],
[3, 3, 0, 3],
[8, 1, 8, 5],
[5, 3, 0, 5],
[4, 7, 5, 3]])
print stats.mode(b)
# ModeResult(mode=array([[3, 3, 0, 3]]),
count=array([[1, 2, 3, 2]]))
128
Moda III
print stats.mode(b, axis=1)
# ModeResult(mode=array([[0],[3],[8],[5],[3]]),
# count=array([[2],[3],[2],[2],[1]]))
print stats.mode(b, axis=None)
# ModeResult(mode=array([3]), count=array([5]))
129
Medidas de tendencia central
Problemas resueltos
130
Problema Resuelto 2.1.
Escribir los t´erminos de cada una de las siguientes sumas:
(a)
6
j=0
Xj =
(b)
4
k=1
(Yk − 3)2
=
(c)
N
k=1
a =
(d)
5
n=2
fnXn =
(e)
3
m=0
(Xm − a) =
131
Problema Resuelto 2.2.
De 100 n´umeros, 20 fueron 4, 40 fueron 5, 30 fueron 6 y los
restantes fueron 7. Encuentre su media aritm´etica.
132
Problema Resuelto 2.3.
Los pesos medio de cuatro grupos de estudiantes que constan
de 15, 20, 10 y 18 individuos son 162, 148, 153 y 140 libras,
respectivamente. Encuentre el preso medio de todos los
estudiantes.
133
Problema Resuelto 2.4.
Usando la distribuci´on de frecuencias de las estaturas que se
presenta en la siguiente tabla, hallar la estatura media de 100
estudiantes de cierta universidad.
134
Problema Resuelto 2.5.
Si las desviaciones de N n´umeros X1, .., XN respecto a un
pivote P est´an dada por di = Xi − P, i = 1, ..., N
respectivamente, demostrar que
¯X = P +
d
N
.
135
Problema Resuelto 2.6.
Demostrar que la suma de las desviaciones d1, d2, ..., dN de
X1, X2, ..., XN usando como pivote su media ¯X es igual a
cero.
136
Problema Resuelto 2.7.
Si Zi = Xi + Yi, i = 1, 2, ..., N, demostrar que ¯Z = ¯X + ¯Y .
137
Problema Resuelto 2.8.
Halle la media aritm´etica de los n´umeros 5,8,11,9,12,6,14 y 10
eligiendo como pivote a) P = 9 y b) P = 20.
138
Problema Resuelto 2.9.
Utilice la marca de la clase media como pivote, para calcular la
estatura de los estudiantes en la tabla 2.4.
139
Problema Resuelto 2.10.
Encontrar el peso mediano a partir de la siguiente tabla
140
Desviaci´on est´andar y otras
medidas de dispersi´on
141
Dispersi´on o variaci´on
Si bien las medidas de tendencia central nos dicen alrededor de
que valores se concentra un arreglo de datos, las medidas de
dispersi´on nos dan una idea de que tan alejados est´an entre
s´ı.
A continuaci´on, veremos algunas medidas de dispersi´on
com´unmente usadas en estad´ıstica.
142
Rango
El rango de un conjunto de datos es la diferencia entre el
mayor y el menor del conjunto.
Ejemplo 3.1.
El rango del conjunto 2,3,3,5,5,5,8,10,12 es 12 − 2 = 10.
143
Desviaci´on media
La desviaci´on media o desviaci´on promedio de un
conjunto de N n´umeros X1, ..., XN est´a definida como
DM =
Xj − ¯X
N
donde ¯X es la media aritm´etica de los n´umeros y |·| denota el
valor absoluto.
144
Ejemplo 3.2.
Encuentre la desviaci´on media de la lista 2, 3, 6, 8, 11.
145
Desviaci´on est´andar
La desviaci´on est´andar de un conjunto de N n´umeros
X1, ..., XN se denota como s y est´a definida por
s =
Xj − ¯X
2
N
=
x2
j
N
donde xj := Xj − ¯X.
146
Si X1, ..., XN se presentan con frecuencias f1, ..., fN
respectivamente, la desviaci´on est´andar se puede expresar
como
s =
fj Xj − ¯X
2
N
=
fjx2
j
N
147
Observaci´on: En ocasiones, N se reemplaza por N − 1
en las f´ormulas anteriores, debido a que est´a definici´on
aproxima mejor a la poblaci´on de la que se ha obtenido la
muestra. Pero para muestras muy grandes N > 30
pr´acticamente no hay diferencia.
148
Varianza
La varianza de un conjunto de n´umeros se define como el
cuadrado s2
de la desviaci´on est´andar s.
149
Observaci´on: En estad´ıstica, es importante distinguir
entre la desviaci´on est´andar de una poblaci´on y una
muestra. Para distinguirla, en el primer caso utilizaremos
σ y en el segundo, continuaremos usando s.
150
M´etodos abreviados
s2
= X2 − X
2
s2
= d2 − d
2
151
En las distribuciones normales se tiene que
(a) 68.27 % de los datos est´a comprendido entre ¯X ± s.
(b) 95.45 % de los datos est´a comprendido entre ¯X ± 2s.
(c) 99.73 % de los datos est´a comprendido entre ¯X ± 3s.
152
Si 2 conjuntos de N1 y N2 datos respectivamente tienen
correspondientes s2
1 y s2
2 varianzas pero una misma media
aritm´etica ¯X, entonces la varianza de la uni´on de ambos
conjuntos es
s2
=
N1s2
1 + N2s2
2
N1 + N2
.
153
Teorema de Chebyshev
Para k > 1, por lo menos 1 −
1
k2
de la distribuci´on de
probabilidad de cualquier variable aleatoria est´a a nomas de k
desviaciones est´andar de la media.
154
Desviaci´on est´andar y otras
medidas de dispersi´on
Python
155
numpy.std
numpy.std(a, axis=None, dtype=None, out=None, ddof=0,
keepdims=<class numpy._globals._NoValue>)
Calcule la desviaci´on est´andar a lo largo del eje especificado.
Devuelve la desviaci´on est´andar, una medida de la propagaci´on
de una distribuci´on, de los elementos de la matriz. La
desviaci´on est´andar se calcula para la matriz aplanada de
forma predeterminada, de lo contrario sobre el eje
especificado.6
6
https://docs.scipy.org/doc/numpy/reference/generated/numpy.std.html
156
import numpy as np
a = np.array([[1, 2], [3, 4]])
print np.std(a)
#1.1180339887498949
print np.std(a, axis=0)
#array([ 1., 1.])
print np.std(a, axis=1)
#array([ 0.5, 0.5])
157
#In single precision, std() can be inaccurate:
a = np.zeros((2, 512*512), dtype=np.float32)
a[0, :] = 1.0
a[1, :] = 0.1
print np.std(a)
#0.45000005
#Computing the standard deviation in float64
#is more accurate:
print np.std(a, dtype=np.float64)
#0.44999999925494177
158
Desviaci´on est´andar y otras
medidas de dispersi´on
Problemas resueltos
159
Problema Resuelto 3.1.
Encontrar el rango y las desviaciones media y est´andar de los
arreglos
(a) 12, 6, 7, 3, 15, 10, 18, 5
(b) 9, 3, 8, 8, 9, 8, 9, 18.
Compruebe sus resultados con Python.
160
Problema Resuelto 3.2.
Encontrar las desviaciones media y est´andar de las estaturas
de 100 estudiantes de la siguiente tabla:
161
Problema Resuelto 3.3.
Encontrar las desviaciones media y est´andar de las estaturas
de 100 estudiantes de la siguiente tabla:
162
Problema Resuelto 3.4.
Demostrar que
s =
X2
N
−
X
N
2
= X2 − X
2
s =
fX2
N
−
fX
N
2
= X2 − X
2
163
Problema Resuelto 3.5.
Utilizando las f´ormulas anteriores, encuentre la desviaci´on
est´andar de los datos en la tabla 3.3:
164
Problema Resuelto 3.6.
Si d = X − P son desviaciones de X respecto a un pivote P,
demostrar que
s =
fd2
N
−
fd
N
2
.
165
Problema Resuelto 3.7.
Utilizando las f´ormulas anteriores, encuentre la desviaci´on
est´andar de los datos en la tabla 3.3:
166
Problema Resuelto 3.8.
Encuentre la media aritm´etica y la desviaci´on est´andar de los
siguientes datos:
167

Más contenido relacionado

La actualidad más candente

Intervalos de confianza 2018
Intervalos de confianza 2018Intervalos de confianza 2018
Intervalos de confianza 2018franciscoe71
 
Matlab y su lista de comandos
Matlab y su lista de comandosMatlab y su lista de comandos
Matlab y su lista de comandosCarlos Aparicio
 
II Ley Termodinámica Y Motores Termicos
II Ley Termodinámica Y Motores TermicosII Ley Termodinámica Y Motores Termicos
II Ley Termodinámica Y Motores TermicosBrianith Navarro
 
Prueba de homogeneidad de varianza
Prueba de homogeneidad de varianzaPrueba de homogeneidad de varianza
Prueba de homogeneidad de varianzaRaul Flores Mara
 
Aplicaciones de las ecuaciones diferenciales
Aplicaciones de las ecuaciones diferencialesAplicaciones de las ecuaciones diferenciales
Aplicaciones de las ecuaciones diferencialesjuliocesarmontoya
 
Propiedades de continuidad
Propiedades de continuidadPropiedades de continuidad
Propiedades de continuidadLeandro Aschkar
 
La Estadistica en la Biomédica
 La Estadistica en la Biomédica La Estadistica en la Biomédica
La Estadistica en la Biomédicaashlola
 
Las estadísticas en la actualidad
Las estadísticas en la actualidadLas estadísticas en la actualidad
Las estadísticas en la actualidaddadaos
 
Para que sirven los modelos
Para que sirven los modelosPara que sirven los modelos
Para que sirven los modelosDavid Ortega
 
Estadistica upc
Estadistica upcEstadistica upc
Estadistica upcJose Matos
 
Apuntes de estadistica con enfoque a la bioestadistica
Apuntes de estadistica con enfoque a la bioestadisticaApuntes de estadistica con enfoque a la bioestadistica
Apuntes de estadistica con enfoque a la bioestadisticajesus_fernandez_almazan
 
Muestreo probabilistico
Muestreo probabilistico Muestreo probabilistico
Muestreo probabilistico Milagrito1965
 
Tema 3 Medidas De Tendencia Central
Tema 3 Medidas De Tendencia CentralTema 3 Medidas De Tendencia Central
Tema 3 Medidas De Tendencia CentralMoises Betancort
 

La actualidad más candente (20)

Intervalos de confianza 2018
Intervalos de confianza 2018Intervalos de confianza 2018
Intervalos de confianza 2018
 
Matlab y su lista de comandos
Matlab y su lista de comandosMatlab y su lista de comandos
Matlab y su lista de comandos
 
II Ley Termodinámica Y Motores Termicos
II Ley Termodinámica Y Motores TermicosII Ley Termodinámica Y Motores Termicos
II Ley Termodinámica Y Motores Termicos
 
Prueba de homogeneidad de varianza
Prueba de homogeneidad de varianzaPrueba de homogeneidad de varianza
Prueba de homogeneidad de varianza
 
Aplicaciones de las ecuaciones diferenciales
Aplicaciones de las ecuaciones diferencialesAplicaciones de las ecuaciones diferenciales
Aplicaciones de las ecuaciones diferenciales
 
DISTRIBUCION MUESTRAL
DISTRIBUCION MUESTRALDISTRIBUCION MUESTRAL
DISTRIBUCION MUESTRAL
 
Propiedades de continuidad
Propiedades de continuidadPropiedades de continuidad
Propiedades de continuidad
 
La Estadistica en la Biomédica
 La Estadistica en la Biomédica La Estadistica en la Biomédica
La Estadistica en la Biomédica
 
ESTADISTICA DESCRIPTIVA
ESTADISTICA DESCRIPTIVAESTADISTICA DESCRIPTIVA
ESTADISTICA DESCRIPTIVA
 
Estadística Básica
Estadística BásicaEstadística Básica
Estadística Básica
 
Las estadísticas en la actualidad
Las estadísticas en la actualidadLas estadísticas en la actualidad
Las estadísticas en la actualidad
 
Para que sirven los modelos
Para que sirven los modelosPara que sirven los modelos
Para que sirven los modelos
 
Estadistica upc
Estadistica upcEstadistica upc
Estadistica upc
 
Apuntes de estadistica con enfoque a la bioestadistica
Apuntes de estadistica con enfoque a la bioestadisticaApuntes de estadistica con enfoque a la bioestadistica
Apuntes de estadistica con enfoque a la bioestadistica
 
Muestreo probabilistico
Muestreo probabilistico Muestreo probabilistico
Muestreo probabilistico
 
Distribuciones Probabilisticas
Distribuciones ProbabilisticasDistribuciones Probabilisticas
Distribuciones Probabilisticas
 
Estimacion Ejercicios
Estimacion EjerciciosEstimacion Ejercicios
Estimacion Ejercicios
 
Tema 3 Medidas De Tendencia Central
Tema 3 Medidas De Tendencia CentralTema 3 Medidas De Tendencia Central
Tema 3 Medidas De Tendencia Central
 
Distribuciones muestrales
Distribuciones muestralesDistribuciones muestrales
Distribuciones muestrales
 
Distribución normal
Distribución normalDistribución normal
Distribución normal
 

Destacado

ULSA 2017-2 Probabilidad y Estadística
ULSA 2017-2 Probabilidad y EstadísticaULSA 2017-2 Probabilidad y Estadística
ULSA 2017-2 Probabilidad y EstadísticaJuliho Castillo
 
Esperanza,Varianza y Covarianza
Esperanza,Varianza y CovarianzaEsperanza,Varianza y Covarianza
Esperanza,Varianza y CovarianzaJuliho Castillo
 
Variables Aleatorias y Distribuciones de Probabilidad
Variables Aleatorias y Distribuciones de ProbabilidadVariables Aleatorias y Distribuciones de Probabilidad
Variables Aleatorias y Distribuciones de ProbabilidadJuliho Castillo
 
Conceptos Estadísticos para la Modelación Predictiva
Conceptos Estadísticos para la Modelación PredictivaConceptos Estadísticos para la Modelación Predictiva
Conceptos Estadísticos para la Modelación PredictivaJuliho Castillo
 
Teoría Básica de Probabilidad
Teoría Básica de ProbabilidadTeoría Básica de Probabilidad
Teoría Básica de ProbabilidadJuliho Castillo
 
Distribuciones de Probabilidad Especiales
Distribuciones de Probabilidad EspecialesDistribuciones de Probabilidad Especiales
Distribuciones de Probabilidad EspecialesJuliho Castillo
 

Destacado (6)

ULSA 2017-2 Probabilidad y Estadística
ULSA 2017-2 Probabilidad y EstadísticaULSA 2017-2 Probabilidad y Estadística
ULSA 2017-2 Probabilidad y Estadística
 
Esperanza,Varianza y Covarianza
Esperanza,Varianza y CovarianzaEsperanza,Varianza y Covarianza
Esperanza,Varianza y Covarianza
 
Variables Aleatorias y Distribuciones de Probabilidad
Variables Aleatorias y Distribuciones de ProbabilidadVariables Aleatorias y Distribuciones de Probabilidad
Variables Aleatorias y Distribuciones de Probabilidad
 
Conceptos Estadísticos para la Modelación Predictiva
Conceptos Estadísticos para la Modelación PredictivaConceptos Estadísticos para la Modelación Predictiva
Conceptos Estadísticos para la Modelación Predictiva
 
Teoría Básica de Probabilidad
Teoría Básica de ProbabilidadTeoría Básica de Probabilidad
Teoría Básica de Probabilidad
 
Distribuciones de Probabilidad Especiales
Distribuciones de Probabilidad EspecialesDistribuciones de Probabilidad Especiales
Distribuciones de Probabilidad Especiales
 

Similar a Estadística Descriptiva

Estadística: Conceptos básicos
Estadística: Conceptos básicosEstadística: Conceptos básicos
Estadística: Conceptos básicosYris Bettiana
 
9.1.conceptos basicos de estadistica
9.1.conceptos basicos de estadistica9.1.conceptos basicos de estadistica
9.1.conceptos basicos de estadisticaireneturismoplasencia
 
9.1.conceptos basicos de estadistica
9.1.conceptos basicos de estadistica9.1.conceptos basicos de estadistica
9.1.conceptos basicos de estadisticaToni Hurtado
 
TÉRMINOS BÁSICOS DE ESTADÍSTICA
TÉRMINOS BÁSICOS DE ESTADÍSTICA TÉRMINOS BÁSICOS DE ESTADÍSTICA
TÉRMINOS BÁSICOS DE ESTADÍSTICA francis carmona
 
Estadstica 1
Estadstica 1Estadstica 1
Estadstica 1lukitaz45
 
Estadstica 1223899160588231-9
Estadstica 1223899160588231-9Estadstica 1223899160588231-9
Estadstica 1223899160588231-9UEFSFG
 
Estadistica 2. distribucion de frecuencias
Estadistica   2. distribucion de frecuenciasEstadistica   2. distribucion de frecuencias
Estadistica 2. distribucion de frecuenciasEdward Ropero
 
Distribución muestral y de estimación.
Distribución muestral y de estimación.Distribución muestral y de estimación.
Distribución muestral y de estimación.LeonardoOtamendy
 
Laminas roxy (2)
Laminas roxy (2)Laminas roxy (2)
Laminas roxy (2)Roxy Paola
 
ZAMBRANO_ZAMBRANO_EXPOSICIÓN_GRUPO_4_DISTRIBUCIÓN_DE_MEDIAS_Y_PROPORCIONES.pdf
ZAMBRANO_ZAMBRANO_EXPOSICIÓN_GRUPO_4_DISTRIBUCIÓN_DE_MEDIAS_Y_PROPORCIONES.pdfZAMBRANO_ZAMBRANO_EXPOSICIÓN_GRUPO_4_DISTRIBUCIÓN_DE_MEDIAS_Y_PROPORCIONES.pdf
ZAMBRANO_ZAMBRANO_EXPOSICIÓN_GRUPO_4_DISTRIBUCIÓN_DE_MEDIAS_Y_PROPORCIONES.pdfMiguel Angel Zambrano Zambrano
 
CONCEPTOS ESTADISTICA DESCRITKIVA E.ppsx
CONCEPTOS ESTADISTICA DESCRITKIVA E.ppsxCONCEPTOS ESTADISTICA DESCRITKIVA E.ppsx
CONCEPTOS ESTADISTICA DESCRITKIVA E.ppsxMaraJosRJ1
 

Similar a Estadística Descriptiva (20)

Estadistica basica
Estadistica basicaEstadistica basica
Estadistica basica
 
Estadistica basica
Estadistica basicaEstadistica basica
Estadistica basica
 
Estadística: Conceptos básicos
Estadística: Conceptos básicosEstadística: Conceptos básicos
Estadística: Conceptos básicos
 
9.1.conceptos basicos de estadistica
9.1.conceptos basicos de estadistica9.1.conceptos basicos de estadistica
9.1.conceptos basicos de estadistica
 
9.1.conceptos basicos de estadistica
9.1.conceptos basicos de estadistica9.1.conceptos basicos de estadistica
9.1.conceptos basicos de estadistica
 
TÉRMINOS BÁSICOS DE ESTADÍSTICA
TÉRMINOS BÁSICOS DE ESTADÍSTICA TÉRMINOS BÁSICOS DE ESTADÍSTICA
TÉRMINOS BÁSICOS DE ESTADÍSTICA
 
Estadstica 1
Estadstica 1Estadstica 1
Estadstica 1
 
Estadstica 1223899160588231-9
Estadstica 1223899160588231-9Estadstica 1223899160588231-9
Estadstica 1223899160588231-9
 
Cuestionario
CuestionarioCuestionario
Cuestionario
 
medidas de tendencia central
medidas de tendencia centralmedidas de tendencia central
medidas de tendencia central
 
Estadistica
EstadisticaEstadistica
Estadistica
 
Segunda actividad estadistica ii
Segunda actividad estadistica iiSegunda actividad estadistica ii
Segunda actividad estadistica ii
 
Estadistica 2. distribucion de frecuencias
Estadistica   2. distribucion de frecuenciasEstadistica   2. distribucion de frecuencias
Estadistica 2. distribucion de frecuencias
 
Distribución muestral y de estimación.
Distribución muestral y de estimación.Distribución muestral y de estimación.
Distribución muestral y de estimación.
 
Estadística Descriptiva
 Estadística Descriptiva Estadística Descriptiva
Estadística Descriptiva
 
Laminas roxy (2)
Laminas roxy (2)Laminas roxy (2)
Laminas roxy (2)
 
Ce ps 2-08.01.2011-parte iii
Ce ps 2-08.01.2011-parte iiiCe ps 2-08.01.2011-parte iii
Ce ps 2-08.01.2011-parte iii
 
ZAMBRANO_ZAMBRANO_EXPOSICIÓN_GRUPO_4_DISTRIBUCIÓN_DE_MEDIAS_Y_PROPORCIONES.pdf
ZAMBRANO_ZAMBRANO_EXPOSICIÓN_GRUPO_4_DISTRIBUCIÓN_DE_MEDIAS_Y_PROPORCIONES.pdfZAMBRANO_ZAMBRANO_EXPOSICIÓN_GRUPO_4_DISTRIBUCIÓN_DE_MEDIAS_Y_PROPORCIONES.pdf
ZAMBRANO_ZAMBRANO_EXPOSICIÓN_GRUPO_4_DISTRIBUCIÓN_DE_MEDIAS_Y_PROPORCIONES.pdf
 
Distribucin muestral
Distribucin muestralDistribucin muestral
Distribucin muestral
 
CONCEPTOS ESTADISTICA DESCRITKIVA E.ppsx
CONCEPTOS ESTADISTICA DESCRITKIVA E.ppsxCONCEPTOS ESTADISTICA DESCRITKIVA E.ppsx
CONCEPTOS ESTADISTICA DESCRITKIVA E.ppsx
 

Más de Juliho Castillo

Geometric and viscosity solutions for the Cauchy problem of first order
Geometric and viscosity solutions for the Cauchy problem of first orderGeometric and viscosity solutions for the Cauchy problem of first order
Geometric and viscosity solutions for the Cauchy problem of first orderJuliho Castillo
 
Aplicaciones del Cálculo Diferencial
Aplicaciones del Cálculo DiferencialAplicaciones del Cálculo Diferencial
Aplicaciones del Cálculo DiferencialJuliho Castillo
 
Notas de Cálculo Diferencial
Notas de Cálculo DiferencialNotas de Cálculo Diferencial
Notas de Cálculo DiferencialJuliho Castillo
 
Problemario de Álgebra Lineal
Problemario de Álgebra LinealProblemario de Álgebra Lineal
Problemario de Álgebra LinealJuliho Castillo
 
Taller de Matemáticas para Economistas
Taller de Matemáticas para EconomistasTaller de Matemáticas para Economistas
Taller de Matemáticas para EconomistasJuliho Castillo
 
Matemáticas Básicas: Introducción a las Matemáticas Financieras
Matemáticas Básicas: Introducción a las Matemáticas FinancierasMatemáticas Básicas: Introducción a las Matemáticas Financieras
Matemáticas Básicas: Introducción a las Matemáticas FinancierasJuliho Castillo
 
Matemáticas Básicas: Sistemas Lineales
Matemáticas Básicas: Sistemas LinealesMatemáticas Básicas: Sistemas Lineales
Matemáticas Básicas: Sistemas LinealesJuliho Castillo
 
Matemáticas Básicas: Funciones
Matemáticas Básicas: FuncionesMatemáticas Básicas: Funciones
Matemáticas Básicas: FuncionesJuliho Castillo
 
Taller Remedial de Matemáticas
Taller Remedial de MatemáticasTaller Remedial de Matemáticas
Taller Remedial de MatemáticasJuliho Castillo
 
Cálculo Integral para Empresariales
Cálculo Integral para EmpresarialesCálculo Integral para Empresariales
Cálculo Integral para EmpresarialesJuliho Castillo
 
El Teorema Fundamental del Cálculo
El Teorema Fundamental del CálculoEl Teorema Fundamental del Cálculo
El Teorema Fundamental del CálculoJuliho Castillo
 
Brevísima Intruducción a las Sumas de Riemann
Brevísima Intruducción a las Sumas de RiemannBrevísima Intruducción a las Sumas de Riemann
Brevísima Intruducción a las Sumas de RiemannJuliho Castillo
 
La Integral Definida. Área Bajo La Curva.
La Integral Definida. Área Bajo La Curva.La Integral Definida. Área Bajo La Curva.
La Integral Definida. Área Bajo La Curva.Juliho Castillo
 
Lógica y Cálculo Proposicional
Lógica y Cálculo ProposicionalLógica y Cálculo Proposicional
Lógica y Cálculo ProposicionalJuliho Castillo
 
Matemáticas Financieras I
Matemáticas Financieras IMatemáticas Financieras I
Matemáticas Financieras IJuliho Castillo
 

Más de Juliho Castillo (20)

Geometric and viscosity solutions for the Cauchy problem of first order
Geometric and viscosity solutions for the Cauchy problem of first orderGeometric and viscosity solutions for the Cauchy problem of first order
Geometric and viscosity solutions for the Cauchy problem of first order
 
Chern-Simons Theory
Chern-Simons TheoryChern-Simons Theory
Chern-Simons Theory
 
Aplicaciones del Cálculo Diferencial
Aplicaciones del Cálculo DiferencialAplicaciones del Cálculo Diferencial
Aplicaciones del Cálculo Diferencial
 
Notas de Cálculo Diferencial
Notas de Cálculo DiferencialNotas de Cálculo Diferencial
Notas de Cálculo Diferencial
 
Problemario de Álgebra Lineal
Problemario de Álgebra LinealProblemario de Álgebra Lineal
Problemario de Álgebra Lineal
 
Taller de Matemáticas para Economistas
Taller de Matemáticas para EconomistasTaller de Matemáticas para Economistas
Taller de Matemáticas para Economistas
 
Inducción y Recursión
Inducción y RecursiónInducción y Recursión
Inducción y Recursión
 
Teoría de Conjuntos
Teoría de ConjuntosTeoría de Conjuntos
Teoría de Conjuntos
 
Matemáticas Básicas: Introducción a las Matemáticas Financieras
Matemáticas Básicas: Introducción a las Matemáticas FinancierasMatemáticas Básicas: Introducción a las Matemáticas Financieras
Matemáticas Básicas: Introducción a las Matemáticas Financieras
 
Matemáticas Básicas: Sistemas Lineales
Matemáticas Básicas: Sistemas LinealesMatemáticas Básicas: Sistemas Lineales
Matemáticas Básicas: Sistemas Lineales
 
Matemáticas Básicas: Funciones
Matemáticas Básicas: FuncionesMatemáticas Básicas: Funciones
Matemáticas Básicas: Funciones
 
Taller Remedial de Matemáticas
Taller Remedial de MatemáticasTaller Remedial de Matemáticas
Taller Remedial de Matemáticas
 
Cálculo Integral para Empresariales
Cálculo Integral para EmpresarialesCálculo Integral para Empresariales
Cálculo Integral para Empresariales
 
El Teorema Fundamental del Cálculo
El Teorema Fundamental del CálculoEl Teorema Fundamental del Cálculo
El Teorema Fundamental del Cálculo
 
Brevísima Intruducción a las Sumas de Riemann
Brevísima Intruducción a las Sumas de RiemannBrevísima Intruducción a las Sumas de Riemann
Brevísima Intruducción a las Sumas de Riemann
 
La Integral Definida. Área Bajo La Curva.
La Integral Definida. Área Bajo La Curva.La Integral Definida. Área Bajo La Curva.
La Integral Definida. Área Bajo La Curva.
 
Antiderivadas
AntiderivadasAntiderivadas
Antiderivadas
 
Lógica y Cálculo Proposicional
Lógica y Cálculo ProposicionalLógica y Cálculo Proposicional
Lógica y Cálculo Proposicional
 
Aritmética
AritméticaAritmética
Aritmética
 
Matemáticas Financieras I
Matemáticas Financieras IMatemáticas Financieras I
Matemáticas Financieras I
 

Último

LOS AMBIENTALISTAS todo por un mundo mejor
LOS AMBIENTALISTAS todo por un mundo mejorLOS AMBIENTALISTAS todo por un mundo mejor
LOS AMBIENTALISTAS todo por un mundo mejormrcrmnrojasgarcia
 
BOCA Y NARIZ (2).pdf....................
BOCA Y NARIZ (2).pdf....................BOCA Y NARIZ (2).pdf....................
BOCA Y NARIZ (2).pdf....................ScarletMedina4
 
Descripción Und Curso Inf.Médica - Diseño ExpAprendizaje2.pdf
Descripción Und Curso Inf.Médica - Diseño ExpAprendizaje2.pdfDescripción Und Curso Inf.Médica - Diseño ExpAprendizaje2.pdf
Descripción Und Curso Inf.Médica - Diseño ExpAprendizaje2.pdfCarol Andrea Eraso Guerrero
 
PRUEBA APTITUD CONTRALORIA- examen 1.pdf
PRUEBA APTITUD CONTRALORIA- examen 1.pdfPRUEBA APTITUD CONTRALORIA- examen 1.pdf
PRUEBA APTITUD CONTRALORIA- examen 1.pdfRobertoCarlo15
 
INFORME DE LA EVALUACION DIAGNOSTICA DE COMUNICACION (1).docx
INFORME DE LA EVALUACION DIAGNOSTICA DE COMUNICACION (1).docxINFORME DE LA EVALUACION DIAGNOSTICA DE COMUNICACION (1).docx
INFORME DE LA EVALUACION DIAGNOSTICA DE COMUNICACION (1).docxMarializJharoMoriz
 
EL MOVIMIENTO Y LA ENERGÍA EN LOS CUERPOS.pptx
EL MOVIMIENTO Y LA ENERGÍA EN LOS CUERPOS.pptxEL MOVIMIENTO Y LA ENERGÍA EN LOS CUERPOS.pptx
EL MOVIMIENTO Y LA ENERGÍA EN LOS CUERPOS.pptxduquemariact
 
historieta materia de ecologías producto
historieta materia de ecologías productohistorieta materia de ecologías producto
historieta materia de ecologías productommartinezmarquez30
 
Syllabus Temas Selectos de Mate-2024.docx
Syllabus Temas Selectos de Mate-2024.docxSyllabus Temas Selectos de Mate-2024.docx
Syllabus Temas Selectos de Mate-2024.docxLorenaCovarrubias12
 
La-cosmovision-del-curriculo-educativo-en-Venezuela (1).pptx
La-cosmovision-del-curriculo-educativo-en-Venezuela (1).pptxLa-cosmovision-del-curriculo-educativo-en-Venezuela (1).pptx
La-cosmovision-del-curriculo-educativo-en-Venezuela (1).pptxMAURICIO329243
 
'Diseño Curricular Misiones 2022 (2).pdf
'Diseño Curricular Misiones 2022 (2).pdf'Diseño Curricular Misiones 2022 (2).pdf
'Diseño Curricular Misiones 2022 (2).pdfJuana aranda
 
Cuadernillo de actividades eclipse solar.pdf
Cuadernillo de actividades eclipse solar.pdfCuadernillo de actividades eclipse solar.pdf
Cuadernillo de actividades eclipse solar.pdflizcortes48
 
ERAS Y PERIODOS DEL TIEMPO GEOLOGICO.pptx
ERAS Y PERIODOS DEL TIEMPO GEOLOGICO.pptxERAS Y PERIODOS DEL TIEMPO GEOLOGICO.pptx
ERAS Y PERIODOS DEL TIEMPO GEOLOGICO.pptxduquemariact
 
Descripción del Proceso de corte y soldadura
Descripción del Proceso de corte y soldaduraDescripción del Proceso de corte y soldadura
Descripción del Proceso de corte y soldaduraJose Sanchez
 
Revista Apuntes de Historia. Abril 2024.pdf
Revista Apuntes de Historia. Abril 2024.pdfRevista Apuntes de Historia. Abril 2024.pdf
Revista Apuntes de Historia. Abril 2024.pdfapunteshistoriamarmo
 
Buenas Practicas de Manufactura para Industria Farmaceutica
Buenas Practicas de Manufactura para Industria FarmaceuticaBuenas Practicas de Manufactura para Industria Farmaceutica
Buenas Practicas de Manufactura para Industria FarmaceuticaMarco Camacho
 
Apunte de clase Pisos y Revestimientos 1
Apunte de clase Pisos y Revestimientos 1Apunte de clase Pisos y Revestimientos 1
Apunte de clase Pisos y Revestimientos 1Gonella
 
Salvando mi mundo , mi comunidad , y mi entorno
Salvando mi mundo , mi comunidad  , y mi entornoSalvando mi mundo , mi comunidad  , y mi entorno
Salvando mi mundo , mi comunidad , y mi entornoday561sol
 

Último (20)

LOS AMBIENTALISTAS todo por un mundo mejor
LOS AMBIENTALISTAS todo por un mundo mejorLOS AMBIENTALISTAS todo por un mundo mejor
LOS AMBIENTALISTAS todo por un mundo mejor
 
BOCA Y NARIZ (2).pdf....................
BOCA Y NARIZ (2).pdf....................BOCA Y NARIZ (2).pdf....................
BOCA Y NARIZ (2).pdf....................
 
Descripción Und Curso Inf.Médica - Diseño ExpAprendizaje2.pdf
Descripción Und Curso Inf.Médica - Diseño ExpAprendizaje2.pdfDescripción Und Curso Inf.Médica - Diseño ExpAprendizaje2.pdf
Descripción Und Curso Inf.Médica - Diseño ExpAprendizaje2.pdf
 
PRUEBA APTITUD CONTRALORIA- examen 1.pdf
PRUEBA APTITUD CONTRALORIA- examen 1.pdfPRUEBA APTITUD CONTRALORIA- examen 1.pdf
PRUEBA APTITUD CONTRALORIA- examen 1.pdf
 
INFORME DE LA EVALUACION DIAGNOSTICA DE COMUNICACION (1).docx
INFORME DE LA EVALUACION DIAGNOSTICA DE COMUNICACION (1).docxINFORME DE LA EVALUACION DIAGNOSTICA DE COMUNICACION (1).docx
INFORME DE LA EVALUACION DIAGNOSTICA DE COMUNICACION (1).docx
 
EL MOVIMIENTO Y LA ENERGÍA EN LOS CUERPOS.pptx
EL MOVIMIENTO Y LA ENERGÍA EN LOS CUERPOS.pptxEL MOVIMIENTO Y LA ENERGÍA EN LOS CUERPOS.pptx
EL MOVIMIENTO Y LA ENERGÍA EN LOS CUERPOS.pptx
 
historieta materia de ecologías producto
historieta materia de ecologías productohistorieta materia de ecologías producto
historieta materia de ecologías producto
 
Syllabus Temas Selectos de Mate-2024.docx
Syllabus Temas Selectos de Mate-2024.docxSyllabus Temas Selectos de Mate-2024.docx
Syllabus Temas Selectos de Mate-2024.docx
 
La-cosmovision-del-curriculo-educativo-en-Venezuela (1).pptx
La-cosmovision-del-curriculo-educativo-en-Venezuela (1).pptxLa-cosmovision-del-curriculo-educativo-en-Venezuela (1).pptx
La-cosmovision-del-curriculo-educativo-en-Venezuela (1).pptx
 
ecosistemas: energia y dinamica (1).pptx
ecosistemas: energia y dinamica (1).pptxecosistemas: energia y dinamica (1).pptx
ecosistemas: energia y dinamica (1).pptx
 
AO TEATRO, COM ANTÓNIO MOTA! _
AO TEATRO, COM ANTÓNIO MOTA!             _AO TEATRO, COM ANTÓNIO MOTA!             _
AO TEATRO, COM ANTÓNIO MOTA! _
 
'Diseño Curricular Misiones 2022 (2).pdf
'Diseño Curricular Misiones 2022 (2).pdf'Diseño Curricular Misiones 2022 (2).pdf
'Diseño Curricular Misiones 2022 (2).pdf
 
Cuadernillo de actividades eclipse solar.pdf
Cuadernillo de actividades eclipse solar.pdfCuadernillo de actividades eclipse solar.pdf
Cuadernillo de actividades eclipse solar.pdf
 
ERAS Y PERIODOS DEL TIEMPO GEOLOGICO.pptx
ERAS Y PERIODOS DEL TIEMPO GEOLOGICO.pptxERAS Y PERIODOS DEL TIEMPO GEOLOGICO.pptx
ERAS Y PERIODOS DEL TIEMPO GEOLOGICO.pptx
 
Descripción del Proceso de corte y soldadura
Descripción del Proceso de corte y soldaduraDescripción del Proceso de corte y soldadura
Descripción del Proceso de corte y soldadura
 
Revista Apuntes de Historia. Abril 2024.pdf
Revista Apuntes de Historia. Abril 2024.pdfRevista Apuntes de Historia. Abril 2024.pdf
Revista Apuntes de Historia. Abril 2024.pdf
 
Act#24 TDLab. Bosques Contacto Verde 2024
Act#24 TDLab. Bosques Contacto Verde 2024Act#24 TDLab. Bosques Contacto Verde 2024
Act#24 TDLab. Bosques Contacto Verde 2024
 
Buenas Practicas de Manufactura para Industria Farmaceutica
Buenas Practicas de Manufactura para Industria FarmaceuticaBuenas Practicas de Manufactura para Industria Farmaceutica
Buenas Practicas de Manufactura para Industria Farmaceutica
 
Apunte de clase Pisos y Revestimientos 1
Apunte de clase Pisos y Revestimientos 1Apunte de clase Pisos y Revestimientos 1
Apunte de clase Pisos y Revestimientos 1
 
Salvando mi mundo , mi comunidad , y mi entorno
Salvando mi mundo , mi comunidad  , y mi entornoSalvando mi mundo , mi comunidad  , y mi entorno
Salvando mi mundo , mi comunidad , y mi entorno
 

Estadística Descriptiva

  • 1. Probabilidad y Estad´ıstica: Estad´ıstica Descriptiva Dr. Juliho Castillo 18 de septiembre de 2017 Universidad LaSalle Oaxaca 1
  • 2. 1 Definiciones y conceptos Distribuciones de frecuencias Problemas Resueltos 2 Medidas de tendencia central Python Problemas resueltos 3 Desviaci´on est´andar y otras medidas de dispersi´on Python Problemas resueltos 2
  • 4. Estad´ıstica La estad´ıstica se ocupa de los m´etodos cient´ıficos que se utilizan para recolectar, organizar, resumir, presentar y analizar datos as´ı como para obtener conclusiones v´alidas y tomar buenas decisiones razonables con base en este an´alisis. 4
  • 5. #10 Peso Figura 1.1: El peso promedio de una persona hoy es 14 kilogramos mayor que en la d´ecada de 1960. 5
  • 6. #9 Trabajo y estudio Figura 1.2: Entre un 70 y un 80 % de los estudiantes universitarios hoy en d´ıa tiene un trabajo de media jornada o jornada completa. Eso es el doble de los que estudiantes que trabajaban hace 30 a˜nos. 6
  • 7. #8 Televisi´on Figura 1.3: En los Estados Unidos, la cantidad de personas que miran televisi´on regularmente se redujo en 27 % entre 2011 y 2014. 7
  • 8. #7 Consumo de drogas Figura 1.4: El consumo de drogas en los j´ovenes ha ido disminuyendo consistentemente en los ´ultimos 20 a˜nos. En los Estados Unidos, el porcentaje de j´ovenes y adolescentes que admite haber consumido drogas ilegales pas´o de 34 % en 1997, a 27 % en la actualidad. 8
  • 9. #6 Embarazo adolescente Figura 1.5: El embarazo adolescente se ha reducido a la mitad desde la d´ecada de 1950. 9
  • 10. #5 Consumo de tabaco Figura 1.6: Tambi´en el consumo de tabaco se redujo considerablemente en los ´ultimos 50 a˜nos. En los Estados Unidos, el porcentaje de personas que fumaban un paquete por d´ıa era de 35 % en 1954, y de 20 % en 2014. 10
  • 11. #4 Matrimonio Figura 1.7: En 1968, el 56 % de los estadounidenses entre 18-31 a˜nos estaba casado. En 2012 el porcentaje se redujo a 23 %. 11
  • 12. #3 Cociente intelectual Figura 1.8: En 1910, el cociente intelectual promedio ser´ıa de 70, de acuerdo a las mediciones actuales. Ahora, el promedio es de entre 130 y 150, dependiendo de la medici´on. 12
  • 13. Observaci´on: Seg´un el experto James Flynn, como especie evolucionamos en el entendimiento de categor´ıas, sistemas hipot´eticos, lenguaje no verbal e im´agenes visuales que retratan realidades alternativas. 13
  • 14. #2 Peces en el mar Figura 1.9: Desde 1950, un 90 % de los peces m´as grandes del oc´eano han desaparecido. La causa es la pesca industrial. 14
  • 15. #1 Ancianos Figura 1.10: Hoy en d´ıa la poblaci´on mayor de 65 a˜nos es diez veces mayor de lo que lo era hace un siglo. 15
  • 16. Fuente: 10 curiosos datos estad´ısticos que prueban c´omo ha cambiado el mundo, por Pablo Fern´andez. 16
  • 17. Piratas contra el calentamiento global Figura 1.11: «You may be interested to know that global warming, earthquakes, hurricanes, and other natural disasters are a direct effect of the shrinking numbers of Pirates since the 1800s.» Open Letter To Kansas School Board 17
  • 18. El t´ermino estad´ıstica tambi´en se usa para denotar los datos o los n´umeros que se obtienen de esos datos; por ejemplo, los promedios. As´ı, se habla de estad´ısticas de empleo, estad´ısticas de accidentes, etc´etera. 18
  • 19. Poblaci´on y muestra Cuando se recolectan datos sobre las caracter´ısticas de un grupo de individuos o de objetos, por ejemplo: estatura y peso de los estudiantes de una universidad o cantidad de pernos defectuosos y no defectuosos producidos en determinado d´ıa en una f´abrica, suele ser imposible o poco pr´actico observar todo el grupo, en especial si se trata de un grupo grande. 19
  • 20. En vez de examinar todo el grupo, al que se le conoce como poblaci´on o universo, se examina s´olo una peque˜na parte del grupo, al que se le llama muestra. 20
  • 21. Las poblaciones pueden ser finitas o infinitas. Por ejemplo: la poblaci´on que consta de todos los pernos producidos determinado d´ıa en una f´abrica es finita, en tanto que la poblaci´on que consta de todos los resultados (cara o cruz) que se pueden obtener lanzando una y otra vez una moneda es infinita. 21
  • 22. Si la muestra es representativa de la poblaci´on, el an´alisis de la muestra permite inferir conclusiones v´alidas acerca de la poblaci´on. A la parte de la estad´ıstica que se ocupa de las condiciones bajo la cuales tales inferencias son v´alidas se le llama estad´ıstica inductiva o inferencial. Como estas inferencias no pueden ser absolutamente ciertas, para presentar estas conclusiones se emplea el lenguaje de la probabilidad. 22
  • 23. A la parte de la estad´ıstica que ´unicamente trata de describir y analizar un grupo dado, sin sacar ninguna conclusi´on ni hacer inferencia alguna acerca de un grupo m´as grande, se le conoce como estad´ıstica descriptiva o deductiva. 23
  • 24. Variables: discretas vs continuas Una variable es un s´ımbolo; por ejemplo, X, Y, H, x, B, que puede tomar cualquiera de los valores de determinado conjunto al que se le conoce como dominio de la variable. A una variable que s´olo puede tomar un valor se le llama constante. 24
  • 25. Una variable X que puede tomar cualquiera de los valores en la recta num´erica R es una variable continua. Si los valores que una variable puede tomar se pueden numerar X1, X2, ..., XN , ... diremos que es una variable discreta. 25
  • 26. Ejemplo 1.1. La cantidad N de hijos que tiene una familia puede tomar los valores 0, 1, 2, 3, ..., pero no puede tomar valores como 2.5 o 3.842; ´esta es una variable discreta. 26
  • 27. Ejemplo 1.2. La estatura H de una persona que puede ser 62 pulgadas (in), 63.8 in o 65.8341 in, dependiendo de la exactitud conque se mida, es una variable continua. 27
  • 28. Los datos descritos mediante una variable discreta son datos discretos y los datos descritos mediante una variable continua son datos continuos. ¿Qu´e tipo de dato es.. la cantidad de hijos que tiene cada una de 1 000 familias? las estaturas de 100 estudiantes universitarios.? En general, una medici´on proporciona datos continuos; en cambio, una enumeraci´on o un conteo proporciona datos discretos. 28
  • 29. Es ´util ampliar el concepto de variable a entidades no num´ericas;por ejemplo, en el arco iris, color C es una variable que puede tomar los “valores” rojo, anaranjado, amarillo, verde, azul, ´ındigo o violeta. Estas variables se pueden reemplazar por n´umeros; por ejemplo, se puede denotar rojo con 1, anaranjado con 2, etc´etera. 29
  • 31. Datos en bruto Los datos en bruto son los datos recolectados que a´un no se han organizado. Por ejemplo, las estaturas de 100 estudiantes tomados de la lista alfab´etica de una universidad. 31
  • 32. Ordenaciones Ordenaci´on se le llama a los datos num´ericos en bruto dispuestos en orden creciente o decreciente de magnitud. A la diferencia entre el n´umero mayor y el n´umero menor se le conoce como el rango de los datos. Por ejemplo, si la estatura mayor en los 100 estudiantes es 74 pulgadas (in) y la menor es 60 in, el rango es 74 − 60 = 14 in. 32
  • 33. DISTRIBUCIONES DE FRECUENCIA Al organizar una gran cantidad de datos en bruto, suele resultar ´util distribuirlos en clases o categor´ıas y determinar la cantidad de datos que pertenece a cada clase; esta cantidad se conoce como la frecuencia de clase. 33
  • 34. A la disposici´on tabular de los datos en clases con sus respectivas frecuencias de clase se le conoce como distribuci´on de frecuencias o tabla de frecuencias. 34
  • 35. Figura 1.12: Distribuci´on de frecuencias de las estaturas (registradas a la pulgada m´as cercana) de 100 estudiantes de la universidad XYZ. 35
  • 36. La primera clase (o categor´ıa), por ejemplo, consta de las estaturas que van desde 60 hasta 62 pulgadas y queda identificada por el s´ımbolo 60-62. Como hay cinco estudiantes cuyas estaturas pertenecen a esta clase, la frecuencia de clase correspondiente es 5. 36
  • 37. A los datos organizados y resumidos como en la distribuci´on de frecuencias anterior se les llama datos agrupados. Observaci´on: Aunque al agrupar los datos se pierden muchos de los detalles originales de los datos, esto tiene la ventaja de que se obtiene una visi´on general clara y se hacen evidentes las relaciones. 37
  • 38. INTERVALOS DE CLASE Y L´IMITES DE CLASE Al s´ımbolo que representa una clase, como 60-62 en la tabla 1.12, se le conoce como intervalo de clase. A los n´umeros de los extremos, 60 y 62, se les conoce como l´ımites de clase; el n´umero menor (60) es el l´ımite inferior de clase, y el n´umero mayor (62) es el l´ımite superior de clase. Los t´erminos clase e intervalo de clase se suelen usar indistintamente, aunque el intervalo de clase en realidad es un s´ımbolo para la clase. 38
  • 39. Un intervalo de clase que, por lo menos te´oricamente, no tenga indicado el l´ımite de clase superior o el l´ımite de clase inferior, se conoce como intervalo de clase abierto. Por ejemplo, al considerar grupos de edades de personas, un intervalo que sea “65 a˜nos o mayores” es un intervalo de clase abierto. 39
  • 40. FRONTERAS DE CLASE Si las estaturas se registran a la pulgada m´as cercana, el intervalo de clase 60-62 comprende te´oricamente todas las mediciones desde 59.5000 hasta 62.5000 in. Estos n´umeros que se indican brevemente mediante los n´umeros exactos 59.5 y 62.5 son las fronteras de clase o los l´ımites de clase reales; el menor de los n´umeros (59.5) es la frontera inferior de clase y el n´umero mayor (62.5) es la frontera superior de clase. 40
  • 41. En la pr´actica, las fronteras de clase se obtienen sumando el l´ımite superior de un intervalo de clase al l´ımite inferior del intervalo de clase inmediato superior y dividiendo entre 2. 41
  • 42. Algunas veces, las fronteras de clase se usan para representar a las clases. Por ejemplo, las clases de la tabla 2.1 pueden indicarse como 59.5-62.5, 62.5-65.5, etc. Para evitar ambig¨uedades cuando se usa esta notaci´on, las fronteras de clase no deben coincidir con las observaciones. Por lo tanto, si una observaci´on es 62.5, no es posible decidir si pertenece al intervalo 59.5-62.5 o al intervalo 62.5-65.5 42
  • 43. TAMA˜NO O AMPLITUD DE UN INTERVALO DE CLASE El tama˜no, o la amplitud, de un intervalo de clase es la diferencia entre sus fronteras superior e inferior y se le conoce tambi´en como amplitud de clase, tama˜no de clase o longitud de clase. 43
  • 44. Si en una distribuci´on de frecuencia todos los intervalos de clase tienen la misma amplitud, esta amplitud com´un se denota c. En este caso, c es igual a la diferencia entre dos l´ımites inferiores de clases sucesivas o entre dos l´ımites superiores de clases sucesivas.Por ejemplo, en los datos de la tabla 2.1, el intervalo de clase es c = 62.5 − 59.5 = 65.5 − 62.5 = 3. 44
  • 45. LA MARCA DE CLASE La marca de clase es el punto medio del intervalo de clase y se obtiene sumando los l´ımites de clase inferior y superior y dividiendo entre 2. As´ı, la marca de clase del intervalo 60-62 es (60 + 62)/2 = 61. A la marca de clase tambi´en se le conoce como punto medio de clase. 45
  • 46. Para los an´alisis matem´aticos posteriores, se supone que todas las observaciones que pertenecen a un intervalo de clase dado coinciden con la marca de clase. As´ı, se considera que todas las estaturas en el intervalo de clase 60-62 in son de 61 in. 46
  • 47. REGLAS GENERALES PARA FORMAR UNA DIS- TRIBUCI´ON DE FRECUENCIAS I En el conjunto de los datos en bruto, se determina el n´umero mayor y el n´umero menor y se halla, as´ı, el rango (la diferencia entre los n´umeros mayor y menor). 47
  • 48. REGLAS GENERALES PARA FORMAR UNA DIS- TRIBUCI´ON DE FRECUENCIAS II Se divide el rango en una cantidad adecuada de intervalos de clase de una misma amplitud. Si esto no es posible, se usan intervalos de clase de diferentes amplitudes o intervalos de clase abiertos. La cantidad de intervalos suele ser de 5 a 20, dependiendo de los datos. Los intervalos de clase tambi´en suelen elegirse de manera que las marcas de clase (o puntos medios de clase) coincidan con datos observados. Esto tiende a disminuir el llamado error de agrupamiento en los an´alisis matem´aticos subsiguientes. En cambio, las fronteras de clase no deben coincidir con datos observados. 48
  • 49. REGLAS GENERALES PARA FORMAR UNA DIS- TRIBUCI´ON DE FRECUENCIAS III Se determina la cantidad de observaciones que caen dentro de cada intervalo de clase; es decir, se encuentran las frecuencias de clase. La mejor manera de hacer esto es utilizando una hoja de conteo. 49
  • 50. HISTOGRAMAS Y POL´IGONOS DE FRECUEN- CIAS Los histogramas y los pol´ıgonos de frecuencias son dos representaciones gr´aficas de las distribuciones de frecuencias. 50
  • 51. Un histograma o histograma de frecuencias consiste en un conjunto de rect´angulos que tienen: a) sus bases sobre un eje horizontal (el eje X ), con sus centros coincidiendo con las marcas de clase de longitudes iguales a la amplitud del intervalo de clase, y b) ´areas proporcionales a las frecuencias de clase. 51
  • 52. Un pol´ıgono de frecuencias es una gr´afica de l´ınea que presenta las frecuencias de clase graficadas contra las mar- cas de clase. Se puede obtener conectando los puntos medios de las partes superiores de los rect´angulos de un histograma. 52
  • 53. Figura 1.13: Histograma que muestra los puntos medios y las frecuencias de clase. 53
  • 54. DISTRIBUCIONES DE FRECUENCIAS RELATIVAS La frecuencia relativa de una clase es la frecuencia de la clase dividida entre la suma de las frecuencias de todas las clases y generalmente se expresa como porcentaje. Por ejemplo, en la tabla 1.12, la frecuencia relativa de la clase 66-68 es 42/100 = 42 %. Por supuesto, la suma de las frecuencias relativas de todas las clases es 1, o 100 %. 54
  • 55. Si en la tabla 1.12 las frecuencias se sustituyen por frecuencias relativas, la tabla que se obtiene es una distribuci´on de frecuencias relativas, distribuci´on porcentual o tabla de frecuencias relativas. 55
  • 56. Las representaciones gr´aficas de las distribuciones de frecuencias relativas se obtienen a partir de los histogramas o pol´ıgonos de frecuencias, cambiando ´unicamente, en la escala vertical, las frecuencias por las frecuencias relativas y conservando la gr´afica exactamente igual. A las gr´aficas que se obtienen se les llama histogramas de frecuencias relativas (o histogramas porcentuales) y pol´ıgonos de frecuencias relativas (o pol´ıgonos porcentuales), respectivamente. 56
  • 57. DISTRIBUCIONES DE FRECUENCIAS ACUMULA- DAS Y OJIVAS A la suma de todas las frecuencias menores que la frontera superior de un intervalo de clase dado se le llama frecuencia acumulada hasta ese intervalo de clase inclusive. Por ejemplo, en la tabla 1.12, la frecuencia acumulada hasta el intervalo de clase 66-68 inclusive es 5 + 18 + 42 = 65, lo que significa que 65 estudiantes tienen una estatura menor a 68.5 in. 57
  • 58. Figura 1.14: Pol´ıgono de frecuencias de las estaturas de los estudiantes. 58
  • 59. A una tabla en la que se presentan las frecuencias acumuladas se le llama distribuci´on de frecuencias acumuladas, tabla de frecuencias acumuladas o simplemente distribuci´on acumulada, y se presenta en la tabla 2.2 para la distribuci´on de las estaturas de los estudiantes de la tabla 1.12. 59
  • 60. Figura 1.15: Una gr´afica que muestra las frecuencias acumuladas menores de cada frontera superior de clase respecto a cada frontera superior de clase se le conoce como gr´afica de frecuencias acumuladas u ojiva. 60
  • 61. DISTRIBUCIONES DE FRECUENCIAS ACUMULA- DAS RELATIVAS Y OJIVAS PORCENTUALES La frecuencia acumulada relativa o frecuencia acumulada porcentual es la frecuencia acumulada dividida entre la suma de todas las frecuencias (frecuencia total). 61
  • 62. Por ejemplo, la frecuencia acumulada relativa de las estaturas meno- res que 68.5 in es 65/100 = 0.65 o 65 %, lo que significa que 65 % de los estudiantes tienen estaturas menores a 68.5 in. 62
  • 63. Si en la tabla 1.15 se emplean las frecuencias acumuladas relativas en lugar de las frecuencias acumuladas, se obtiene una distribuci´on de frecuencias acumuladas relativas (o distribuci´on acumulada porcentual) y una gr´afica de frecuencias acumuladas relativas (u ojiva porcentual), respectivamente. 63
  • 65. Problema Resuelto 1.1. 1 Disponer los n´umeros 17, 45, 38, 27, 6, 48, 11, 57, 34, 22 en una ordenaci´on. 2 Determinar el rango de estos n´umeros. 65
  • 66. # -*- coding: utf-8 -*- """ Ejercicio 2.1 a) Disponer los n´umeros 17, 45, 38, 27, 6, 48, 11, 57, b) Determinar el rango de estos n´umeros. """ miLista = [17,45,38,27,6,48,11,57,34,22] print(miLista) miListaOrdenada = sorted(miLista) print(miListaOrdenada) rango = max(miLista)-min(miLista) print(rango) 66
  • 67. Problema Resuelto 1.2. En la tabla siguiente se presentan las calificaciones finales que obtuvieron en matem´atica 80 alumnos de una universidad. 67
  • 68. De acuerdo con esta tabla, encontrar: (a) La calificaci´on m´as alta. (b) La calificaci´on m´as baja. (c) El rango. (d) Las calificaciones de los cinco mejores estudiantes. (e) Las calificaciones de los cinco peores estudiantes. (f) La calificaci´on del alumno que tiene el d´ecimo lugar entre las mejores calificaciones. (g) El n´umero de estudiantes que obtuvieron 75 o m´as. (h) El n´umero de estudiantes que obtuvieron 85 o menos. (i) El porcentaje de los estudiantes que obtuvieron calificaciones mayores a 65 pero no mayores a 85. (j) Las calificaciones que no aparecen en esta tabla. 68
  • 69. 69
  • 71. #La calificaci´on m´as alta. M=max(miLista); print(M) #La calificaci´on m´as baja. m=min(miLista); print(m) #El rango. rango=M-m; print(rango) 71
  • 72. #Ordenamos la lista miListaOrd = sorted(miLista) print(miListaOrd) #Las calificaciones de los cinco mejores estudiantes. print(miListaOrd[-5:]) #Las calificaciones de los cinco peores estudiantes. print(miListaOrd[:5]) #La calificaci´on del alumno que tiene el d´ecimo lugar #entre las mejores calificaciones. print(miListaOrd[-10]) 72
  • 73. #El n´umero de estudiantes que obtuvieron 75 o m´as. mayorQue75 = [elemento for elemento in miListaOrd if elemento>=75] print(mayorQue75, len(mayorQue75)) #El n´umero de estudiantes que obtuvieron 85 o menos. menorQue85 = [x for x in miListaOrd if x<=85] print(menorQue85, len(menorQue85)) 73
  • 74. #El porcentaje de los estudiantes #que obtuvieron calificaciones #mayores a 65 pero no mayores a 85. de65a85 = [x for x in miListaOrd if 65<=x<=85] print(len(de65a85)/len(miLista)) print(1.0*len(de65a85)/len(miLista)) 74
  • 75. #Las calificaciones que no aparecen en esta tabla. complemento = [x for x in range(0,100+1) if not(x in miLista)] print(complemento) 75
  • 76. Ahora, exploraremos los datos a trav´es de histogramas. Para este fin, utilizaremos dos paquetes muy populares de Python: numpy y matplotlib. 76
  • 77. Numpy NumPy es una extensi´on de Python, que le agrega mayor soporte para vectores y matrices, constituyendo una biblioteca de funciones matem´aticas de alto nivel para operar con esos vectores o matrices.1 1 https://es.wikipedia.org/wiki/NumPy 77
  • 78. Matplotlib Matplotlib es una biblioteca para la generaci´on de gr´aficos a partir de datos contenidos en listas o arrays en el lenguaje de programaci´on Python y su extensi´on matem´atica NumPy. Proporciona una API, pylab, dise˜nada para recordar a la de MATLAB.2 2 https://es.wikipedia.org/wiki/Matplotlib 78
  • 79. import numpy as np import matplotlib.pyplot as plt miLista = [68,84,75,83,68,90,62,88,76,93, 73,79,88,73,60,93,71,59,85,75, 61,65,75,87,74,62,95,78,63,72, 66,78,82,75,94,77,69,74,68,60, 96,78,89,61,75,95,60,79,83,71, 79,62,67,97,78,85,76,65,71,75, 65,80,73,57,88,78,62,76,53,74, 86,67,73,81,72,63,76,75,85,77] miLista = np.array(miLista) 79
  • 80. plt.hist(miLista, bins=’auto’) # arguments are passed to np.histogram plt.title("Histogram with ’auto’ bins") plt.show() 80
  • 81. plt.hist(miLista, bins=[53,64.75,86,97]) # arguments are passed to np.histogram plt.show() 81
  • 84. plt.ylabel(’Cumulative Frequency’) plt.xlabel(’Data’) plt.hist(miLista, bins=’auto’, histtype=’step’, cumulative=True) # arguments are passed to np.histogram plt.title("Histogram with ’auto’ bins") plt.show() 84
  • 85. plt.ylabel(’Relative Cumulative Frequency’) plt.xlabel(’Data’) plt.hist(miLista, bins=’auto’,normed=1, histtype=’step’, cumulative=True) # arguments are passed to np.histogram plt.title("Histogram with ’auto’ bins") plt.show() 85
  • 86. 86
  • 87. myBins = np.linspace(50,100, (100-50)/5+1) print myBins miHistograma = np.histogram(miLista, bins=myBins) print miHistograma print miHistograma[0] print miHistograma[1] 87
  • 88. print "Intervalo"+8*" "+"Frecuencia" for k in range(len(myBins)-1): liminf=myBins[k] limsup=myBins[k+1]-1 frecuencia=miHistograma[0][k] print "["+str(liminf)+"-"+str(limsup)+")"+6*" " +str(frecuencia) 88
  • 89. print "Intervalo"+8*" "+"Frecuencia"+2*" "+ "Elementos en intervalo" for k in range(len(myBins)-1): liminf=myBins[k] limsup=myBins[k+1]-1 frecuencia=miHistograma[0][k] elementos = [] for x in miLista: if (liminf<=x and x<limsup): elementos.append(x) sep = len("Frecuencia")+2-len(str(frecuencia)) print "["+str(liminf)+"-"+str(limsup)+")"+6*" "+ str(frecuencia)+12*" "+str(elementos) 89
  • 90. ¿Qu´e opciones existen para el par´ametro bins? 1 https://docs.scipy.org/doc/numpy/reference/generated/ numpy.histogram.html 2 https://stackoverflow.com/questions/9141732/how-does- numpy-histogram-work 90
  • 91. Ejercicio de pr´actica. Analice los siguientes datos a trav´es de histogramas, utilizando las diferentes opciones para el par´ametro bins. [ 5. 4. 6. 5. 4. 6. 6. 4. 5. 3. 6. 6. 6. 3. 5. 5. 5. 5. 6. 3. 5. 4. 5. 6. 6. 5. 6. 3. 5. 6. 5. 5. 6. 6. 6. 5. 5. 5. 6. 7. 5. 4. 5. 3. 5. 4. 5. 5. 6. 5. 6. 4. 4. 5. 4. 5. 5. 5. 6. 7. 4. 5. 5. 5. 6. 3. 7. 4. 5. 6. 4. 5. 6. 6. 4. 7. 5. 4. 6. 5. 5. 1. 6. 5. 5. 5. 6. 6. 5. 6. 5. 5. 4. 4. 6. 5. 5. 6. 4. 4.] 91
  • 92. Sugerencia Genere la lista anterior, utilizando el siguiente c´odigo import numpy as np np.random.seed(1234) mu, sigma = 5, 1 # mean and standard deviation s = np.random.normal(mu, sigma, 100) print np.rint(s) 92
  • 93. Para profundizar... Una de las mejores plataformas para aprender an´alisis de datos es DataCamp. Puede comenzar a dominar Python con el curso Intro to Python for Data Science. 93
  • 94. Medidas de tendencia central 94
  • 95. ´Indice y sub´ındices El s´ımbolo Xj representa cualquiera de los valores X1, X2, X3, ... que puede tomar la variable discreta X. El s´ımbolo j denota cualquiera de los n´umeros naturales 1, 2, 3, ... y se le llama ´ındice (o a veces sub´ındice o tambi´en contador). 95
  • 97. Ejemplo 2.1. N k=1 XkYk = X1Y1 + ... + XN YN N i=1 aXi = aX1 + ... + aXN = a N n=1 Xn. 97
  • 98. Observaci´on: Cuando se sobrentiende que el contador j corre sobre los n´umeros 1, 2, ..., N, escribimos Xj o simplemente X en lugar de N j=1 . 98
  • 99. Linealidad Problema 2.1. Si a, b son constantes, demuestre que (aX + bY ) = a X + b Y. 99
  • 100. Promedio UN promedio es un valor representativo de un conjunto de datos que tiende a encontrarse en el centro de dicho conjunto. Por esta raz´on, tambi´en se le conoce como medidas de tendencia central. 100
  • 101. Se pueden definir varios tipo de promedios: Media aritm´etica; mediana; moda; media geom´etrica; media arm´onico. 101
  • 102. Observaci´on: Cada medida de tendencia central tiene ventajas y desventajas de acuerdo al tipo de datos y el prop´osito del uso. 102
  • 103. Definici´on 2.2 (Media aritm´etica). ¯X = X1 + ... + XN N = N j=1 Xj N = X N (2.1) 103
  • 104. Ejemplo 2.2. La media aritm´etica de 8, 3, 5, 12, 10 es... 104
  • 105. Si los n´umeros X1, X2, ..., Xk se presentan con frecuencias f1, f2, ..., fk respectivamente su media aritm´etica es ¯X = f1X1 + ... + fkXk f1 + ... + fk = fX f = fX N . (2.2) d´onde N = f es la suma de frecuencias o total de casos. 105
  • 106. Ejemplo 2.3. Si 5, 8, 6, 2 se presentan con frecuencias 3, 2, 4, 1 respectivamente, su media aritm´etica es... 106
  • 107. Media aritm´etica ponderada Algunas veces, a los n´umeros X1, ..., Xk se les asignan ciertos factores de ponderaci´on o pesos w1, ..., wk, tales que    0 % ≤ wi ≤ 100 % wi = 100 % 107
  • 108. Definici´on 2.3 (Media ponderada). Si w1, .., wk son pesos tales que 0 ≤ wi ≤ 1 y wi = 1, entonces la correspondiente media (aritm´etica) ponderada de los n´umeros X1, ..., Xk es ¯X = w1X1 + ... + wkXk w1 + ... + wk = wX w = wX. 108
  • 109. Ejemplo 2.4. Si en una clase, al examen final se le da el triple del valor que a los ex´amenes parciales y un estudiante obtiene 85 en el final y 70 y 90 en los dos ex´amenes parciales, obtener su media ponderada. 109
  • 110. 1 Si wi = 1 N , obtenemos la media aritm´etica usual. 2 Si wi = fi N , obtenemos la f´ormula (2.2). 110
  • 111. Cuando los n´umeros son muy grandes, se suele utilizar un pivote P : ¯X = P + fidi N , donde di = Xi − P. En ocasiones, utilizaremos la notaci´on ¯d = fidi N , de manera que ¯d es la desviaci´on promedio y ¯X = P + ¯d. 111
  • 112. Observaci´on: Para datos agrupados, Xi se escoge como la marca de la i−´esima clase. 112
  • 113. La mediana La mediana ˜X de un conjunto de n´umeros acomodados en un orden de magnitud (es decir, en una ordenaci´on) es el valor central o la media de dos valores centrales. 113
  • 114. Ejemplo 2.5. La mediana de la lista de n´umeros 3, 4, 5, 6, 8, 8, 8, 10 es... La mediana de la lista de n´umeros 5, 5, 7, 9, 11, 12, 15, 18 es.. 114
  • 115. Definici´on 2.4 (Mediana para datos agrupados). Mediana = L +     N 2 − C<CM f fCM     donde L es la frontera inferior de la clase mediana, es decir, de la clase que contiene la mediana; N es la frecuencia total; C<CM f suma de las frecuencias de todas las clases anteriores a la clase mediana; fCM es la frecuencia de la clase mediana. 115
  • 116. Moda La moda de una lista de n´umeros es un valor que se presenta con la mayor frecuencia f > 1. La moda no es necesariamente existe ni es ´unica. 116
  • 117. Ejemplo 2.6. La moda de la lista 2, 2, 5, 7, 9, 9, 9, 10, 10, 11, 12, 18 es... En este caso, diremos que la lista es unimodal. ¿Cu´al es la moda de la lista 3, 5, 8, 0, 12, 15, 16? ¿Cu´al es la moda de la lista 3, 8, 8, 8, 15, 15, 15? En este caso diremos que la lista es bimodal. 117
  • 118. Definici´on 2.5 (Moda para datos agrupados). Moda = L + ∆1 ∆1 + ∆2 c donde 1 L : Frontera inferior de la clase modal, es decir, de la clase que contiene la moda. 2 ∆1 : Exceso de frecuencia modal sobre la frecuencia en la clase inferior inmediata. 3 ∆2 : Exceso de frecuencia modal sobre la frecuencia en la clase superior inmediata. 4 c : Amplitud del intervalo de la clase modal. 118
  • 119. Medidas de tendencia central Python 119
  • 120. numpy.mean numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<class numpy._globals._NoValue>) Calcula la media aritm´etica sobre los elementos de un arreglo. 3 3 https://github.com/numpy/numpy/blob/v1.13.0/numpy/core/fromnumeric.py L2909 120
  • 121. Ejemplos a = np.array([[1, 2], [3, 4]]) print np.mean(a) #2.5 print np.mean(a, axis=0) #array([ 2., 3.]) print np.mean(a, axis=1) #array([ 1.5, 3.5]) 121
  • 122. numpy.median numpy.median(a, axis=None, out=None, overwrite_input=False, keepdims=False) Calcula la mediana de los elementos de un arreglo de n´umeros.4 4 https://docs.scipy.org/doc/numpy/reference/generated/numpy.median.html 122
  • 123. Ejemplos I import numpy as np a = np.array([[10, 7, 4], [3, 2, 1]]) print a #array([[10, 7, 4],6[ 3, 2, 1]]) print np.median(a) #3.5 print np.median(a, axis=0) #array([ 6.5, 4.5, 2.5]) print np.median(a, axis=1) #array([ 7., 2.]) 123
  • 124. Ejemplos II m = np.median(a, axis=0) out = np.zeros_like(m) print np.median(a, axis=0, out=m) #array([ 6.5, 4.5, 2.5]) print m #array([ 6.5, 4.5, 2.5]) b = a.copy() print np.median(b, axis=1, overwrite_input=True) #array([ 7., 2.]) assert not np.all(a==b) 124
  • 125. Ejemplos III b = a.copy() print np.median(b, axis=None, overwrite_input=True) #3.5 assert not np.all(a==b) 125
  • 126. SciPy SciPy es una biblioteca open source de herramientas y algoritmos matem´aticos para Python... SciPy contiene m´odulos para optimizaci´on, ´algebra lineal, integraci´on, interpolaci´on, funciones especiales, FFT, procesamiento de se˜nales y de imagen, resoluci´on de ODEs y otras tareas para la ciencia e ingenier´ıa. Est´a dirigida al mismo tipo de usuarios que los de aplicaciones como MATLAB, GNU Octave, y Scilab.5 5 https://es.wikipedia.org/wiki/SciPy 126
  • 127. Moda I import numpy as np from scipy import stats a = np.array([3,5,6,5,6,5,6,6,3,1,5]) print stats.mode(a) # ModeResult(mode=array([5]), count=array([4])) 127
  • 128. Moda II b = np.array([[6, 8, 0, 0], [3, 3, 0, 3], [8, 1, 8, 5], [5, 3, 0, 5], [4, 7, 5, 3]]) print stats.mode(b) # ModeResult(mode=array([[3, 3, 0, 3]]), count=array([[1, 2, 3, 2]])) 128
  • 129. Moda III print stats.mode(b, axis=1) # ModeResult(mode=array([[0],[3],[8],[5],[3]]), # count=array([[2],[3],[2],[2],[1]])) print stats.mode(b, axis=None) # ModeResult(mode=array([3]), count=array([5])) 129
  • 130. Medidas de tendencia central Problemas resueltos 130
  • 131. Problema Resuelto 2.1. Escribir los t´erminos de cada una de las siguientes sumas: (a) 6 j=0 Xj = (b) 4 k=1 (Yk − 3)2 = (c) N k=1 a = (d) 5 n=2 fnXn = (e) 3 m=0 (Xm − a) = 131
  • 132. Problema Resuelto 2.2. De 100 n´umeros, 20 fueron 4, 40 fueron 5, 30 fueron 6 y los restantes fueron 7. Encuentre su media aritm´etica. 132
  • 133. Problema Resuelto 2.3. Los pesos medio de cuatro grupos de estudiantes que constan de 15, 20, 10 y 18 individuos son 162, 148, 153 y 140 libras, respectivamente. Encuentre el preso medio de todos los estudiantes. 133
  • 134. Problema Resuelto 2.4. Usando la distribuci´on de frecuencias de las estaturas que se presenta en la siguiente tabla, hallar la estatura media de 100 estudiantes de cierta universidad. 134
  • 135. Problema Resuelto 2.5. Si las desviaciones de N n´umeros X1, .., XN respecto a un pivote P est´an dada por di = Xi − P, i = 1, ..., N respectivamente, demostrar que ¯X = P + d N . 135
  • 136. Problema Resuelto 2.6. Demostrar que la suma de las desviaciones d1, d2, ..., dN de X1, X2, ..., XN usando como pivote su media ¯X es igual a cero. 136
  • 137. Problema Resuelto 2.7. Si Zi = Xi + Yi, i = 1, 2, ..., N, demostrar que ¯Z = ¯X + ¯Y . 137
  • 138. Problema Resuelto 2.8. Halle la media aritm´etica de los n´umeros 5,8,11,9,12,6,14 y 10 eligiendo como pivote a) P = 9 y b) P = 20. 138
  • 139. Problema Resuelto 2.9. Utilice la marca de la clase media como pivote, para calcular la estatura de los estudiantes en la tabla 2.4. 139
  • 140. Problema Resuelto 2.10. Encontrar el peso mediano a partir de la siguiente tabla 140
  • 141. Desviaci´on est´andar y otras medidas de dispersi´on 141
  • 142. Dispersi´on o variaci´on Si bien las medidas de tendencia central nos dicen alrededor de que valores se concentra un arreglo de datos, las medidas de dispersi´on nos dan una idea de que tan alejados est´an entre s´ı. A continuaci´on, veremos algunas medidas de dispersi´on com´unmente usadas en estad´ıstica. 142
  • 143. Rango El rango de un conjunto de datos es la diferencia entre el mayor y el menor del conjunto. Ejemplo 3.1. El rango del conjunto 2,3,3,5,5,5,8,10,12 es 12 − 2 = 10. 143
  • 144. Desviaci´on media La desviaci´on media o desviaci´on promedio de un conjunto de N n´umeros X1, ..., XN est´a definida como DM = Xj − ¯X N donde ¯X es la media aritm´etica de los n´umeros y |·| denota el valor absoluto. 144
  • 145. Ejemplo 3.2. Encuentre la desviaci´on media de la lista 2, 3, 6, 8, 11. 145
  • 146. Desviaci´on est´andar La desviaci´on est´andar de un conjunto de N n´umeros X1, ..., XN se denota como s y est´a definida por s = Xj − ¯X 2 N = x2 j N donde xj := Xj − ¯X. 146
  • 147. Si X1, ..., XN se presentan con frecuencias f1, ..., fN respectivamente, la desviaci´on est´andar se puede expresar como s = fj Xj − ¯X 2 N = fjx2 j N 147
  • 148. Observaci´on: En ocasiones, N se reemplaza por N − 1 en las f´ormulas anteriores, debido a que est´a definici´on aproxima mejor a la poblaci´on de la que se ha obtenido la muestra. Pero para muestras muy grandes N > 30 pr´acticamente no hay diferencia. 148
  • 149. Varianza La varianza de un conjunto de n´umeros se define como el cuadrado s2 de la desviaci´on est´andar s. 149
  • 150. Observaci´on: En estad´ıstica, es importante distinguir entre la desviaci´on est´andar de una poblaci´on y una muestra. Para distinguirla, en el primer caso utilizaremos σ y en el segundo, continuaremos usando s. 150
  • 151. M´etodos abreviados s2 = X2 − X 2 s2 = d2 − d 2 151
  • 152. En las distribuciones normales se tiene que (a) 68.27 % de los datos est´a comprendido entre ¯X ± s. (b) 95.45 % de los datos est´a comprendido entre ¯X ± 2s. (c) 99.73 % de los datos est´a comprendido entre ¯X ± 3s. 152
  • 153. Si 2 conjuntos de N1 y N2 datos respectivamente tienen correspondientes s2 1 y s2 2 varianzas pero una misma media aritm´etica ¯X, entonces la varianza de la uni´on de ambos conjuntos es s2 = N1s2 1 + N2s2 2 N1 + N2 . 153
  • 154. Teorema de Chebyshev Para k > 1, por lo menos 1 − 1 k2 de la distribuci´on de probabilidad de cualquier variable aleatoria est´a a nomas de k desviaciones est´andar de la media. 154
  • 155. Desviaci´on est´andar y otras medidas de dispersi´on Python 155
  • 156. numpy.std numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<class numpy._globals._NoValue>) Calcule la desviaci´on est´andar a lo largo del eje especificado. Devuelve la desviaci´on est´andar, una medida de la propagaci´on de una distribuci´on, de los elementos de la matriz. La desviaci´on est´andar se calcula para la matriz aplanada de forma predeterminada, de lo contrario sobre el eje especificado.6 6 https://docs.scipy.org/doc/numpy/reference/generated/numpy.std.html 156
  • 157. import numpy as np a = np.array([[1, 2], [3, 4]]) print np.std(a) #1.1180339887498949 print np.std(a, axis=0) #array([ 1., 1.]) print np.std(a, axis=1) #array([ 0.5, 0.5]) 157
  • 158. #In single precision, std() can be inaccurate: a = np.zeros((2, 512*512), dtype=np.float32) a[0, :] = 1.0 a[1, :] = 0.1 print np.std(a) #0.45000005 #Computing the standard deviation in float64 #is more accurate: print np.std(a, dtype=np.float64) #0.44999999925494177 158
  • 159. Desviaci´on est´andar y otras medidas de dispersi´on Problemas resueltos 159
  • 160. Problema Resuelto 3.1. Encontrar el rango y las desviaciones media y est´andar de los arreglos (a) 12, 6, 7, 3, 15, 10, 18, 5 (b) 9, 3, 8, 8, 9, 8, 9, 18. Compruebe sus resultados con Python. 160
  • 161. Problema Resuelto 3.2. Encontrar las desviaciones media y est´andar de las estaturas de 100 estudiantes de la siguiente tabla: 161
  • 162. Problema Resuelto 3.3. Encontrar las desviaciones media y est´andar de las estaturas de 100 estudiantes de la siguiente tabla: 162
  • 163. Problema Resuelto 3.4. Demostrar que s = X2 N − X N 2 = X2 − X 2 s = fX2 N − fX N 2 = X2 − X 2 163
  • 164. Problema Resuelto 3.5. Utilizando las f´ormulas anteriores, encuentre la desviaci´on est´andar de los datos en la tabla 3.3: 164
  • 165. Problema Resuelto 3.6. Si d = X − P son desviaciones de X respecto a un pivote P, demostrar que s = fd2 N − fd N 2 . 165
  • 166. Problema Resuelto 3.7. Utilizando las f´ormulas anteriores, encuentre la desviaci´on est´andar de los datos en la tabla 3.3: 166
  • 167. Problema Resuelto 3.8. Encuentre la media aritm´etica y la desviaci´on est´andar de los siguientes datos: 167