Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

00/01 - Introduccion al curso y a la estadística descriptiva

32,407 views

Published on

Qué es la estadística?
Qué es la teoría de probabilidades?
Qué es la estadística descriptiva?
Qué es la estadística inferencial
------------------------------------------------------------
Definiciones básicas
Medidas de tendencia no central
Medidas de tendencia central
Medidas de dispersión
Momentos
Representación gráfica de la información
Histogramas

Published in: Education, Technology

00/01 - Introduccion al curso y a la estadística descriptiva

  1. 1. 00 – Introducción a la estadística y teoría de probabilidades <ul><ul><li>Diego Andrés Alvarez Marín </li></ul></ul><ul><ul><li>Profesor Asistente </li></ul></ul><ul><ul><li>Universidad Nacional de Colombia </li></ul></ul><ul><ul><li>Sede Manizales </li></ul></ul>
  2. 2. Contenido <ul><li>Qué es la estadística? </li></ul><ul><li>Qué es la teoría de probabilidades? </li></ul><ul><li>Qué es la estadística descriptiva? </li></ul><ul><li>Qué es la estadística inferencial </li></ul>
  3. 3. Estadística <ul><li>Es la rama matemática relacionada con la colección, el análisis, la interpretación (o explicación) y la representación de datos. </li></ul>
  4. 4. Teoría de probabilidades vs Estadística <ul><li>La teoría de probabilidades es la rama de la matemática relacionada con el análisis de fenómenos aleatorios; esta se desarrolló como un modelo abstracto y sus conclusiones y deducciones están basados en axiomas . </li></ul><ul><li>La estadística se basa en la aplicación de la teoría de probabilidad a problemas reales y sus conclusiones son inferencias basadas en observaciones . </li></ul>
  5. 5. Ramas de la estadística <ul><ul><li>La estadística se divide en dos ramas: </li></ul></ul><ul><ul><li>Estadística descriptiva </li></ul></ul><ul><ul><li>Estadística inferencial </li></ul></ul>
  6. 6. Estadística descriptiva <ul><ul><li>La estadística descriptiva se dedica a los métodos de recolección, descripción, visualización y resumen de datos originados a partir de los fenómenos en estudio. Los datos pueden ser resumidos en forma numérica y/o gráfica. </li></ul></ul>
  7. 7. Estadística inferencial <ul><ul><li>Esta comprende los métodos y procedimientos para deducir propiedades (hacer inferencias) de una población, a partir de una pequeña parte de la misma (muestra). Se usa para modelar patrones en los datos y extraer inferencias acerca de la población bajo estudio. Estas inferencias pueden tomar la forma de respuestas a preguntas si/no (prueba de hipótesis), estimaciones de características numéricas (estimación), pronósticos de futuras observaciones, descripciones de asociación (correlación) o modelamiento de relaciones entre variables (análisis de regresión). </li></ul></ul>
  8. 8. Estadística descriptiva vs. Estadística inferencial <ul><ul><li>La diferencia entre la estadística descriptiva y la estadística inferencial es que la primera intenta resumir los datos de forma cuantitativa mientras que la segunda se usa para sustentar afirmaciones sobre la población que está representada por los datos recopilados. </li></ul></ul>
  9. 9. 01 – Estadística descriptiva <ul><ul><li>Diego Andrés Alvarez Marín </li></ul></ul><ul><ul><li>Profesor Asistente </li></ul></ul><ul><ul><li>Universidad Nacional de Colombia </li></ul></ul><ul><ul><li>Sede Manizales </li></ul></ul>
  10. 10. Contenido <ul><li>Definiciones básicas </li></ul><ul><li>Medidas de tendencia no central </li></ul><ul><li>Medidas de tendencia central </li></ul><ul><li>Medidas de dispersión </li></ul><ul><li>Momentos </li></ul><ul><li>Representación gráfica de la información </li></ul><ul><ul><li>Histogramas </li></ul></ul>
  11. 11. Definiciones <ul><li>Se quiere estudiar una población . Sin embargo por razones prácticas se analiza una muestra de la población. Los datos se coleccionan mediante un muestreo o experimento . Las observaciones de la muestra aleatoria se usan para calcular ciertas características de la muestra llamadas estadísticas . </li></ul>
  12. 12. <ul><li>Población: es el conjunto de elementos de referencia sobre el que se realizan todas las observaciones. La población es la colección de toda la información que caracteriza un fenómeno. </li></ul><ul><li>Muestra estadística (o aleatoria): es un subconjunto representativo de individuos de la población </li></ul><ul><li>Muestreo: es la técnica por la cual se selecciona una muestra a partir de una población </li></ul><ul><li>Una estadística es el resultado de aplicar una función a un conjunto de datos. </li></ul>
  13. 13. Información básica de un conjunto de datos <ul><li>Mínimo y máximo </li></ul><ul><li>Percentil </li></ul><ul><li>Tendencia central </li></ul><ul><li>Dispersión </li></ul><ul><li>Momentos </li></ul>
  14. 14. Mínimo y máximo (con MATLAB)
  15. 15. Mínimo y máximo (con MS EXCEL)
  16. 16. Medidas de posición no central <ul><ul><li>Un percentil es el valor de una variable bajo el cual un cierto porcentaje de las observaciones caen. De este modo el percentil 20 es el valor bajo el cual el 20% de las observaciones pueden ser encontradas. </li></ul></ul><ul><ul><li>Algunos tipos de percentiles importantes son: </li></ul></ul><ul><ul><li>Los cuartiles : percentil 25, 50 (mediana) y 75 </li></ul></ul><ul><ul><li>Los quintiles : percentil 20, 40, 60 y 80 </li></ul></ul><ul><ul><li>Los deciles : percentiles 10, 20, ..., 90 </li></ul></ul>
  17. 17. Definiciones de percentil
  18. 18. Ejemplo usando la definición 1 <ul><ul><li>Calcule el percentil 70 de los datos </li></ul></ul><ul><ul><li>1200, 11, 23, 27, 25, 29 </li></ul></ul><ul><ul><li>Primero que todo se deben organizar los datos en orden ascendente </li></ul></ul><ul><ul><li>11, 23, 25, 27, 29, 1200 </li></ul></ul><ul><ul><li>Por lo tanto el percentil 70 es 29 </li></ul></ul>
  19. 19. Percentiles con MATLAB Observe que MS EXCEL y MATLAB calculan los percentiles con diferentes algoritmos
  20. 20. Percentiles con MS EXCEL Observe que MS EXCEL y MATLAB calculan los percentiles con diferentes algoritmos
  21. 21. Medidas de tendencia central <ul><li>Las medidas de tendencia central miden la localización del centro de los datos </li></ul><ul><li>Media aritmética (o promedio) </li></ul><ul><li>Mediana </li></ul><ul><li>Moda </li></ul><ul><li>Media geométrica </li></ul><ul><li>Media armónica </li></ul><ul><li>Media acotada (o media truncada) </li></ul>
  22. 22. Media aritmética (o promedio)
  23. 23. Mediana
  24. 24. Mediana
  25. 25. Mediana
  26. 26. Media geométrica
  27. 27. Media geométrica <ul><ul><li>La media geométrica es relevante cuando varias cantidades son multiplicadas para producir un total, o cuando los números son de naturaleza exponencial, como por ejemplo el crecimiento de la población mundial o las tasas de interés de una inversión financiera. </li></ul></ul><ul><ul><li>La media geométrica es menos sensible que la media aritmética a los valores extremos. </li></ul></ul>
  28. 28. Ejemplo
  29. 29. Propiedades de la media geométrica
  30. 30. Media armónica
  31. 31. Ejemplo
  32. 32. Ejemplo
  33. 33. Media armónica
  34. 34. Moda
  35. 35. Media acotada (o media truncada)
  36. 36. Medidas de tendencia central en MS EXCEL Observe que MATLAB y MS EXCEL utilizan diferentes algoritmos para calcular la moda
  37. 37. MEDIA.ACOTADA(datos;porcentaje) <ul><ul><li>Calcula la media de un conjunto de datos después de eliminar el porcentaje de los extremos inferior y superior de los puntos de datos. Puede utilizar esta función cuando desee excluir del análisis los valores extremos. </li></ul></ul><ul><ul><li>porcentaje es el número fraccionario de puntos de datos que se excluyen del cálculo. Por ejemplo, si porcentaje = 0,2, se eliminarán cuatro puntos de un conjunto de datos de 20 puntos (20 x 0,2), dos de la parte superior y dos de la parte inferior. </li></ul></ul>
  38. 38. Medidas de tendencia central en MATLAB Observe que MATLAB y MS EXCEL utilizan diferentes algoritmos para calcular la moda
  39. 39. Otras medidas de tendencia central <ul><li>Media generalizada </li></ul><ul><ul><li>http://en.wikipedia.org/wiki/Generalized_mean </li></ul></ul><ul><li>Media ponderada </li></ul><ul><ul><li>http://en.wikipedia.org/wiki/Weighted_mean </li></ul></ul><ul><li>Punto medio </li></ul><ul><ul><li>http://en.wikipedia.org/wiki/Midrange </li></ul></ul><ul><li>Root mean square (RMS) </li></ul><ul><ul><li>http://en.wikipedia.org/wiki/Root_mean_square </li></ul></ul>
  40. 40. Notas varias <ul><li>La media armónica es siempre inferior a la media geométrica, que a su vez es siempre inferior a la media aritmética. </li></ul><ul><li>Ver: </li></ul><ul><li>http://en.wikipedia.org/wiki/Inequality_of_arithmetic_and_geometric_means </li></ul><ul><li>http://en.wikipedia.org/wiki/Pythagorean_means </li></ul>
  41. 41. Medidas de dispersión <ul><ul><li>La dispersión de los datos se puede atribuir a pequeñas diferencias de construcción, a mano de obra deficiente, errores humanos, variabilidad inherente al material, así como a errores en las observaciones y en las mediadas. </li></ul></ul><ul><ul><li>Las medida de dispersión miden la variabilidad de un conjunto de datos. Una medida de dispersión es un número real no negativo, que es cero si todos los dátos son idénticos, y se incrementa a medida que las observaciones son más diversas. </li></ul></ul>
  42. 42. Medidas de dispersión <ul><li>Varianza </li></ul><ul><li>Desviación estándar </li></ul><ul><li>Desviación media </li></ul><ul><li>Desviación mediana </li></ul><ul><li>Rango (o recorrido) </li></ul><ul><li>Rango (o recorrido) intercuartil </li></ul><ul><li>Rango (o recorrido) interdecil </li></ul>
  43. 43. Varianza y desviación estándar muestral Use siempre estas fórmulas para calcular la varianza y la desviación estándar, a menos que se indique lo contrario. Ver: http://en.wikipedia.org/wiki/Variance http://en.wikipedia.org/wiki/Standard_deviation
  44. 44. Varianza y desviación estándar poblacional
  45. 45. Corrección de Bessel <ul><ul><li>Aunque intuitivamente la fórmula de la desviación estándar (varianza) poblacional es la que se debe usar (denominador n ), SIEMPRE que se quieren hacer inferencias acerca de una población, se debe utilizar la desviación estándar (varianza) muestral (denominador n -1). Las razones de esto se entenderán en el Capítulo ***. </li></ul></ul>
  46. 46. Recorrido o rango
  47. 47. Recorrido interdecil e intercuartil
  48. 48. Desviación media (mean absolute deviation - MAD) Desviación mediana (median absolute deviation)
  49. 49. Coeficiente de variación (coefficient of variation - C.O.V.) No confundir con la covarianza!
  50. 50. Nota final <ul><ul><li>A pesar que la media aritmética y la desviación estándar han sido empleadas de manera extensa como medidas de tendencia central y dispersión respectivamente, estas no son siempre las medidas más deseables. Su uso es popular por su varias propiedades teóricas que las hacen muy manipulables desde el punto de vista matemático. </li></ul></ul>
  51. 51. Otras medidas de dispersión <ul><li>Momento central de cualquier orden </li></ul><ul><ul><li>http://en.wikipedia.org/wiki/Moment_(mathematics ) </li></ul></ul><ul><li>Diferencia media </li></ul><ul><ul><li>http://en.wikipedia.org/wiki/Mean_difference </li></ul></ul><ul><li>Desviación estándar geométrica </li></ul><ul><ul><li>http://en.wikipedia.org/wiki/Geometric_standard_deviation </li></ul></ul>
  52. 52. Medidas de dispersión en MS EXCEL
  53. 53. <ul><ul><li>Como la función para calcular la desviación mediana no existe en MS EXCEL 2007, debemos crear la función usando Visual Basic for Applications (VBA) </li></ul></ul>Haga Alt+F11 para ingresar el código Insertar -> Módulo Copy+Paste código Grabar como .xlsm
  54. 54. Medidas de dispersión en MATLAB
  55. 55. Valor atípico (outlier) <ul><ul><li>Un valor atípico es una observación que es numéricamente distante del resto de los datos. Las estadísticas derivadas de los conjuntos de datos que incluyen valores atípicos serán frecuentemente engañosas. Por ejemplo, en el cálculo de la temperatura media de 10 objetos en una habitación, si la mayoría tienen entre 20 y 25ºC, pero hay un horno a 350°C, la mediana de los datos puede ser 23, pero la temperatura media será 55. En este caso, la mediana refleja mejor la temperatura de la muestra al azar de un objeto que la media. </li></ul></ul>
  56. 56. Valor atípico (outlier) <ul><ul><li>Los valores atípicos pueden ser indicativos de datos que pertenecen a una población diferente del resto de la muestra establecida. </li></ul></ul><ul><ul><li>No existe una definición matemática de lo que constituye un valor atípico; este es un ejercicio subjetivo. </li></ul></ul>
  57. 57. Sensibilidad de las medidas de tendencia central a valores atípicos
  58. 58. Sensibilidad de las medidas de dispersión a los valores atípicos
  59. 59. Momentos <ul><li>Coeficiente de asimetría </li></ul><ul><ul><li>Ver: http://en.wikipedia.org/wiki/Skewness </li></ul></ul><ul><li>Curtosis </li></ul><ul><ul><li>Ver: http://en.wikipedia.org/wiki/Kurtosis </li></ul></ul>
  60. 60. Curtosis y coeficiente de asimetría en MS EXCEL
  61. 61. Curtosis y coeficiente de asimetría en MATLAB MATLAB y MS EXCEL utilizan diferentes algoritmos para calcular estos parámetros
  62. 62. Histogramas <ul><ul><li>Un histograma es una representación gráfica de una variable en forma de barras, donde la superficie de cada barra es proporcional a la frecuencia de los valores representados. En el eje vertical se representan las frecuencias, y en el eje horizontal los valores de las variables. </li></ul></ul>
  63. 63. Datos <ul><ul><li>Suponga que los siguientes números representan el consumo en m3 de agua por día de una población (observe que están ordenados ascendentemente). Elabore el histograma de dichos datos. </li></ul></ul>
  64. 64. 1. Determine el rango de los datos <ul><li>Rango es igual al dato mayor menos el dato menor. Rango = 5535 - 2298 = 3237 </li></ul>
  65. 65. 2. Obtener el número de clases <ul><ul><li>Una clase (bin) es ... </li></ul></ul><ul><ul><li>Supongamos por el momento que </li></ul></ul><ul><ul><li>Entonces </li></ul></ul><ul><ul><li>Formaremos por lo tanto 7 clases/intervalos </li></ul></ul>
  66. 66. 3. Establecer la longitud de las clases/intervalos (bins) <ul><ul><li>Establecer la longitud de clase: es igual al rango dividido entre el número de clases </li></ul></ul><ul><ul><li>Lóngitud de la clase = 3237/7 = 462.4 </li></ul></ul>
  67. 67. 4. Construir los intervalos de las clases <ul><ul><li>Los intervalos resultan de dividir el rango de los datos en relación al resultado del paso 3 en intervalos iguales. </li></ul></ul>
  68. 68. 4. Graficar el histograma de conteo
  69. 69. 4. Graficar el histograma de conteo Consultar la ayuda de la función FRECUENCIA de MS EXCEL para entender su uso
  70. 70. Tenga en cuenta... <ul><li>La normalización del histograma </li></ul><ul><li>La frecuencia relativa refleja la proporción de la observaciones contenidas en una clase </li></ul><ul><li>Cuando los intervalos de clase son idénticos, el área de los rectángulos representa las frecuencias. Sin embargo, cuando la longitud de los intervalos es diferente, las áreas no representan la frecuencia. Por lo tanto se debe ajustar la altura de los rectángulos para que sus áreas sean proporcionales a la frecuencia. </li></ul>
  71. 71. 5. Graficar el histograma de frecuencias relativas El eje Y tiene unidades de frecuencia por m 3 /día
  72. 72. Histograma de frecuencia de clase con MATLAB
  73. 73. Histograma de frecuencia de clase con MATLAB El eje Y tiene unidades de frecuencia por m 3 /día
  74. 74. Histogramas con MS EXCEL MS EXCEL 2003: http://www.bloggpro.com/creating-histograms-in-excel/ MS EXCEL 2007: http://www.bloggpro.com/creating-a-simple-histogram-in-excel-2007/ or just GOOGLE IT! http://www.google.com/search?q=histograms+excel+2007
  75. 75. 6. Graficar la distribución de frecuencia relativa acumulada <ul><li>Se obtiene graficando en el eje vertical la frecuencia relativa acumulada de una clase contra el límite inferior de la siguiente clase sobre el eje horizontal y uniendo todos los puntos consecutivos. </li></ul>
  76. 76. Percentil 80 El eje Y tiene unidades de frecuencia únicamente
  77. 77. Número de clases <ul><li>No existe una forma única de escoger el número de intervalos. Esto por lo tanto se deja a criterio del analista. Sin embargo, existen algunas recomendaciones (las cuales generalmente hacen suposiciones sobre la forma de los datos): </li></ul><ul><li>El número de clases depende del número total de observaciones </li></ul>
  78. 78. Número de intervalos (k) <ul><li>k – número de intervalos (clases) </li></ul><ul><li>h – ancho del intervalo </li></ul><ul><li>Mi recomendación: </li></ul>
  79. 79. <ul><li>Fórmula de Sturges (1926): su rendimiento es pobre si n<30 </li></ul><ul><li>Fórmula de Scott (1979): s es la desviación estándar muestral </li></ul><ul><li>Fórmula de Freedman-Diaconis (1981): IQR es el rango intercuartil </li></ul>
  80. 80. Método de Shimazaki y Shinomoto (2007)
  81. 81. Fuente: http://www.ton.scphys.kyoto-u.ac.jp/~hideaki/res/histogram.html
  82. 84. Referencias bibliográficas <ul><li>Sturges, H. A. ( 1926 ). “The choice of a class interval”. J. American Statistical Association : 65–66. </li></ul><ul><li>Scott, D. W. ( 1979 ). “On optimal and data-based histograms”. Biometrika. 66 (3): 605–610 </li></ul><ul><li>Freedman, D. and Diaconis, P. ( 1981 ). “On the histogram as a density estimator: L2 theory”. Zeitschrift für Wahrscheinlichkeitstheorie und verwandte Gebiete. 57 (4): 453–476 </li></ul><ul><li>Shimazaki H. and Shinomoto S. ( 2007 ), “A method for selecting the bin size of a time histogram” Neural Computation. 19(6), 1503-1527 </li></ul>
  83. 85. Ejemplo con clases de tamaños diferentes <ul><ul><li>Considere el siguiente ejemplo del Censo de USA en el año 2000: </li></ul></ul><ul><ul><li>“Journey to work and place of work” </li></ul></ul>
  84. 86. Fuente: http://www.census.gov/prod/2004pubs/c2kbr-33.pdf U.S. Census Bureau – tiempo de viaje al trabajo. El censo encontró que 124 millones de personas trabajan fuera de su casas.
  85. 87. Datos por cantidad
  86. 88. . Histograma del tiempo de viaje (censo USA, 2000) El área bajo la curva es igual al número de casos = 124 millones. Este diagrama usa cantidad/ancho de la tabla.
  87. 89. Datos por proporción
  88. 90. . Histograma de frecuencia relativa del tiempo de viaje (censo USA, 2000) El área bajo la curva es igual a 1 Este diagrama usa cantidad/total/ancho de la tabla.
  89. 91. Generalización del histograma <ul><li>Kernel smoothing methods (tambien llamado ventanas de Parzen (Parzen windows). El comando de MATLAB asociado es ksdensity . </li></ul>Ver: http://en.wikipedia.org/wiki/Kernel_density_estimation
  90. 92. Generalización de histograma <ul><ul><li>Existen otro métodos basados en la utilización de polinomios ortogonales de Legendre. Ver por ejemplo: </li></ul></ul><ul><ul><li>X.B. Li y F.Q. Gong ( 2009 ). A method for fitting probability distributions to engineering properties of rock masses using Legendre orthogonal polynomials . Structural Safety. Volume 31, Issue 4, July 2009, Pages 335-343 </li></ul></ul>Applying the Gram-Schmidt process to the functions 1, x, x^2, ... on the interval [-1,1] with the usual L^2 inner product gives the Legendre polynomials
  91. 93. Otras funciones de MS EXCEL
  92. 94. Otras funciones de MATLAB
  93. 95. Otras formas gráficas de representar los datos

×