Clculo de la mediana

1 Ordenamos los datos de menor a mayor . 2 Si la serie tiene un nmero impar de medidas la mediana es
la puntuacin central de la misma.

2, 3, 4, 4, 5, 5, 5, 6, 6 Me= 5

3 Si la serie tiene un nmero par de puntuaciones la mediana es

la media entre las dos puntuaciones centrales .

7, 8, 9, 10, 11, 12 Me= 9.5

Clculo de la mediana para datos agrupados

La mediana se acumulada llega absolutas . encuentra la mitad en de el intervalo donde la suma de las la frecuencia frecuencias

hasta

Es decir tenemos que buscar el intervalo en el que se encuentre

L i es el lmite inferior de la clase donde se encuentra la mediana.

es la semisuma de las frecuencias absolutas.

F i - 1 es la frecuencia acumulada anterior a la clase mediana.

a i es la amplitud de la clase.

La mediana es independiente de los intervalos .

las amplitudes de

Ejemplo

Calcular la mediana de una distribucin estadstica que viene dada por la siguiente tabla:

fi [60, 63) [63, 66) [66, 69) [69, 72) [72, 75) 5 18 42 27 8 100

Fi 5 23 65 92 100

100/2 = 50

Clase de la mediana: [66, 69)

#include<iostream.h> #include<conio.h> void main() {int num[10],b=0,cont=0,numero,val=0; clrscr(); cin>>val; for(int i=0;i<val;i++) {cout<<"numero"; cin>>num[i]; } for(int a=0;a<val;a++) {cont=0; for(b=0;b<val;b++) {if(num[a]==num[b]) {cont++; } if(cont>=2) {numero=num[a]; } }

} cout<<"la moda es = "<<numero; getch(); }

Moda
La moda es el valor que tiene mayor frecuen cia absolu ta .

Se representa por M o .

Se puede ha lla r la moda para variables cualitativas y cuan titativas .

Hallar la moda de la distribucin:

2, 3, 3, 4, 4, 4, 5, 5 M o = 4

Si

en

un

grupo esa

hay dos

varias

puntuaciones con es la

la misma mxima,

frecuencia y

frecuencia

la distribucin es bimodal o mu ltimodal , es decir, tiene varias modas .

1, 1, 1, 4, 4, 5, 5, 5, 7, 8, 9, 9, 9 M o = 1, 5, 9

Cuando

todas

las puntuaciones de

un

grupo

tienen

la misma

frecuencia , no hay moda .

2, 2, 3, 3, 6, 6, 9, 9

Si dos

puntuaciones

adyacentes tienen

la frecuencia

mxima ,

la moda es el promedio de las dos puntuaciones adyacentes.

0, 1, 3, 3, 5, 5, 7, 8 Mo = 4

Clculo de la moda para datos agrupados

1 Todos los intervalos tienen la misma amplitud.

L i - 1 es el lmite inferior de la clase modal.

f i es la frecuencia absoluta de la clase modal.

f i - - 1 es la frecuencia a bsoluta inmediatamente inferior a la en clase modal.

f i - + 1 es modal.

la

frecuencia

absoluta

inmediatamente

posterior

la

clase

a i es la amplitud de la clase.

Tambin

se

utiliza

otra frmula de

la moda que

da

un valor

aproximado de sta:

Ejemplo

Calcular la moda de una distribucin estadstica que viene dada por la siguiente ta bla :

fi

[60, 63)

[63, 66)

18

[66, 69)

42

[69, 72)

27

[72, 75)

100

2 Los intervalos tienen amplitudes distintas.

En primer luga r tenemos que ha llar las alturas.

La clase modal es la que tiene mayor altura.

La frmula de amplitudes es:

la mo da

aproximad a cuando

existen

distintas

Mediana
Es el valor que ocupa el lugar cen tral de todos los d atos cuando stos estn ordenados de menor a mayor .

La mediana se representa por M e .

La mediana se puede h allar slo para variables cuantitativas .

Clculo de la mediana
1 Orden amos los d ato s de menor a mayor . 2 S i la serie tiene un nmero imp ar de medidas la median a es
la puntuacin cen tral de la misma.

2, 3, 4, 4, 5, 5, 5, 6, 6 Me= 5

3 S i la serie tiene un nmero par de puntuaciones la mediana es

la media entre las dos puntuaciones cen trales .

7, 8, 9, 10, 11, 12 Me= 9.5

Clculo de la mediana para datos agrupados

La mediana se encuentra en el intervalo donde la frecuencia

acumulad a llega hasta la mitad de la suma d e las frecuencias abso lutas .

Es decir tenemos que buscar el interva lo en el que se encuentre

L i - 1 es el lmite inferior de la clase donde se encuentra la mediana.

es la semisuma de las frecuencias absolutas.

F i - 1 es la frecuencia ac umulada anterior a la clase mediana.

a i es la amplitud de la clase.

La mediana es independiente de las amplitudes de los intervalos .

Ejemplo

Calcular la mediana de una distribucin estadstica que viene da da por la siguiente tabla:

fi

Fi

[60, 63)

[63, 66)

18

23

[66, 69)

42

65

[69, 72)

27

92

[72, 75)

100

100

100 / 2 = 50

Clase modal: [66, 69)

Media aritmtica
La media aritmtica es el valor obtenido a l sumar todos

los d atos y dividir el resultado entre el nmero tota l de datos .

es el smbolo de la media aritmtica .

Ejemplo

Los pesos de seis amigos son: 84, 91, 72, 68, 87 y 78 kg. Halla r el peso medio.

Media aritmtica para datos agrupados

Si los d atos vienen ag rupados en una tabla de frecuencias, la

expresin de la med ia es:

Ejercicio de media aritmtica

En un test realizado a un grupo de 42 personas se han obtenido las puntuaciones que muestra la tabla. Calcula la puntuacin media .

xi

fi

xi fi

[10, 20)

15

15

[20, 30)

25

200

[30,40)

35

10

350

[40, 50)

45

405

[50, 60

55

440

[60,70)

65

260

[70, 80)

75

150

42

1 820

Propiedades de la media aritmtica

1 La suma de las desviac iones de todas la s puntuaciones de una
distribucin respecto a la media de la misma igual a cero .

Las suma de las desviaciones de los nmeros 8, 3, 5, 12, 10 de su media aritmtica 7.6 es igua l a 0:

8 7.6 + 3 7.6 + 5 7.6 + 12 7.6 + 10 7.6 =

= 0. 4 4.6 2.6 + 4. 4 + 2. 4 = 0

2 La med ia aritmtic a de los cuadrados de las desviacione s de los

valores de la varia ble con respecto a un nmero cualquiera se

hace mnima cuando dicho nmero coincide con la med ia aritmtic a .

3 S i a todos los valores de la variable se les suma un mismo nmero ,

la media aritmtica queda aumentad a en dicho nmero .

4 Si

todos

los

va lores

de

la

variable

se multiplican por

un

mismo nmero la media aritmtica queda multip lic ada por dicho n mero .

Observaciones sobre la media aritmtica

1 La med ia se puede h allar slo para variables cuantitativas . 2 La med ia es independiente de las amplitud es de los in tervalos . 3 La med ia es muy sensible a las puntuac iones extremas . S i tenemos
una distribucin con los siguientes pesos:

65 kg, 69kg , 65 kg, 72 kg, 66 kg, 75 kg, 70 kg, 110 kg.

La media es igua l a 74 kg, que es una med ida de centralizac in poco representativa de la distribucin.

4 La med ia no se puede calcular si hay un interva lo con una amp litud

indeterminad a .

Anlisis grfico 3.1 1 de Vernier Software es un programa de grficos que le permite ingresar datos en una tabla de datos, grfico de los datos, realizar anlisis grfico de los datos, transformar los datos, y de impresin la grfica resultante. Aunque el programa va a hacer diferentes tipos de anlisis de datos para que puede descubrir la relacin funcional entre dos variables, gua del usuario supone que su datos medidos (o datos transformados) se relaciona con una funcin lineal y que desea que el lineal funcin que mejor se adapte a sus datos http://academic.pgcc.edu/psc/GA_guide.pdf

1. Recta de mejor ajuste (Recta de regresin)

Empezamos intentando construir una funcin lineal de demanda. Suponga que su investigacin de mercado muestra las siguientes estadsticas de venta para casas de varios precios durante el ao pasado: Precio (Miles de dlares) 160 180 200 220 240 260 280 75 82 40 20

Ventas de nueva casas este ao 126 103 82

Queremos utilizar estos datos para construir una funcin de demanda para el mercado de los bienes races. (Recuerde que una funcin de demanda especifica la demanda, y, medida aqu por ventas anual, como una funcin del precio, x.) Aqu est una traza de y contra x:

Los datos sugiera una recta, ms o menos, y entonces una relacin lineal entre y y x. Aqu son varias rectas que se acercan a los puntos:

P Cul recta ajusta los puntos lo ms estrechamente que posible? R Nos gustara que las ventas que pronosticara la recta (los valores pronosticados ) estuvieran tan
cerca como fuera posible de las ventas reales (los valores observados). Las diferencias entre los valores esperados y los valores pronosticados, que son los errores residuales, son las distancias verticales que se marcan in la figura ms abajo. Error residual = Valor observado - Valor pronosticado

P Entonces como podemos hacerlo? R Sumamos primero todos los cuadrados de los errores residuales para obtener un solo error que se
llama el suma de los errores al cuadrado (SSE -- siglas en ingls de "Sum of Squares Error") y escogemos la recta que se da el ms pequeo valor de SSE. Esta recta se llama la recta de mejor ajuste, recta de regresin, o recta de mnimos cuadrados asociada a los datos.

Ejemplo 1: Calculando SSE para una recta dada

Supngase que nos gustara calcular SSE para una recta especifica, como y=x+300 como mostrada ms abajo:

Tenemos la siguiente tabla de valores:

y Observado y Pronosticado Error residual

x 160 180 200 220 240 260 280

y 126 103 82 75 82 40 20

y =x+300 140 120 100

yy -14 -17 -18

Entonces, para la recta y=x+300 SSE = Suma de los valores de errores residuales = - 14 - 17 - 18 - 5 + 22 + 0 + 0 = -32

P Muy bien. Ahora sabemos como se calcula el valor de SSE para una recta ya dada. Como
hallamos la recta de mejor ajuste; es decir, la recta para que SSE es lo menor? R Presentaremos aqu la formula que la determina. Justificarla necesita clculo; puede consultar el capitulo de funciones de varias variables en Clculo Aplicado para una explicacin detallada.

Recta de regresin (o mejor ajuste)

La recta que se ajusta mejor a los n puntos (x1 y1) (x2 y2)

(xn yn) tiene la forma

y=mx+b
donde

Pendiente=m=n

(x2)

x 2n

xy

Interseccin=b=n
Aqu,

ym

significa "la suma de." As,

xy= suma del productos =x1y1+x2y2+ +xnyn del valores de x=x1+x2+ +xn de y=y1+y2+ +yn +x2n

x= suma

y= suma del valores

x2= suma del valores de x2=x21+x22+

El uso de las formulas as bastante fcil, como se muestra el siguiente ejemplo.

Ejemplo 2: Calculando la recta de regresin a mano

Determine la recta de regresin asociada a los siguientes datos:

xx 1

yy 1.5 1.6 2.1 3.0

Solucin Para aplicar las formulas, es mejor organizar los datos en forma de tabla como sigue: (Cuando ha rellenado los valores de xy y x2 correctamente, pulse "Sumas" para obtener la suma de cada columna.)

xx
1 2

yy
1.5 1.6

xyxy

x2x2

3 4

2.1 3.0

x= 10

y= 8.2

xy=

x2=

Sustituyendo los valores correctos de la tabla ms arriba en las formulas, obtenemos

Pendiente=m=n

(x2)

x 2n ym

xy

y =4(30)1024(23)(10)(8

2)=0 5 Interseccin=b=n
Por lo tanto, la recta de regresin es

x =48 2(0 5)(10)=0 8

y=0 5x+0 8
Antes de seguir... Aqu esta una traza de los pontos de dados y la recta de regresin.

Observe que ni siquiera pasa la recta por uno de los puntos, pero es la recta que se ajusta mejor a los puntos.

Regresamos a los datos sobre la demanda para el mercado de los bienes races con la que empezamos este tema.

Ejemplo 3: Funcin de demanda

Obtenga la ecuacin de demanda que se ajusta mejor a los siguientes datos, y sela para pronosticar ventas anuales de casas preciadas a $140,000. Precio (Miles de dlares) 160 180 200 220 240 260 280 75 82 40 20

Ventas de nueva casas este ao 126 103 82

Solucin Aqu esta una tabla como la que usamos ms arriba para organizar las calculaciones:

xx
160 180 200 220 240 260 280

yy
126 103 82 75 82 40 20

xyxy
20,160 18,540 16,400 16,500 19,680 10,400 5,600

x2x2
25,600 32,400 40,000 48,400 57,600 67,600 78,400

x=1540

y=528

xy=107 280

x2=350 000

Sustituyendo estos valores en la formula (con n=7), obtenemos

Pendiente=m=n

(x2)

x 2n

xy

y =7(350 000)154027(107 ym x 7528(0

280)(1540)(528) 0 7929 Interseccin=b=n 7928571429)(1540) 249 9

Observe que usamos el valor ms exacto que pudimos obtener en la calculadora, m 0 7928571429, en lugar del valor redondeado (0 7929) en la calculacin de b. Eso ilustra la sigiuente regla general: Al calcular, no redondee los resultados intermedios; en vez de eso, utilice los resultados ms exactos que puede obtener, usando los valores guardados en su computadora o calculadora si es posible. Por lo tanto, la recta de regresin es

y=0 7929x+249 9
Ahora podemos utilizar esta ecuacin pronosticar las ventas anuales de casa cuyo precio es $140,000: Ventas anuales de casas preciadas a $140,000 redondee al nmero entero ms cercano

Antes de seguir... Ms abajo est una traza de la recta de regresin.

P Si mis puntos estn en una recta, est la recta de mejor ajuste? R S. Si los puntos estn en una recta, el valor mnimo posible de SSE es cero, y eso sucede si se usa
la recta que pasa por todos los puntos. Una consecuencia de este hecho es que se puede usar la herramienta regresin en su graficadora o la herramienta regresin en este sitio para calcular la ecuacin de la recta que pasa por dos puntos especificados.

P Si no todos los untos estn en una recta, cmo puedo saber cunto se acercan a una recta? R Hay un nmero que mide la "bondad de ajuste" de la recta de regresin llamado coeficiente de correlacin. Este nmero, que se representa por r, est entre 1 y 1. Cuanto ms se acerca r a1 o 1, el ajuste es mejor. Si el ajuste es malo, se acerca r a 0. Si el ajusto es exacto, r=1 para una recta con pendiente negativa, o r=1 para una recta de pendiente positiva. La
figura ms abajo muestra varios conjuntos de puntos con sus rectas de regresin, y los valores correspondientes de r.

El coefficiente de correlacin se puede calcular con la siguiente formula. Para obtener la se requieren buenos conocimientos de estadstica.
Coeficiente de correlacin

Coeficiente de correlacin =r=n

2

xy

x2

y2

2. Curva exponencial de mejor ajuste (Curva exponencial regresin)

P Ahora sabemos como ajustar una recta a un conjunto de datos. Que hay una curva exponencial de
la forma

y=Arx ?

R La idea es convertir una curva exponencial a una recta por medio de logaritmos, como sigue:
Empiece con la funcin exponencial

y=Arx
y tome el logaritmo de ambos lados:

logy=log(Arx)
Las propiedades de logaritmos nos dan entonces

logy logy =logA+logrx o =logA+xlogr

Esto expresa logy como una funcin lineal de x, con

Pendiente =m=logr Interseccin =b=logA

Por lo tanto, si calculamos la recta de mejor ajuste usando logy como una funcin de x, entonces la pendiente y la interseccin en y seran dados como ms arriba, y despus podemos obtener los coeficientes r y A por

r A =10m =10b
Para resumir,
Regresin exponencial

Para obtener la curva exponencial de mejor ajuste de la forma

y=Arx
1. Obtenga la recta de regresin usando los datos (x logy). 2. Los coeficientes deseados A y r son entonces

r A =10m =10b
donde m y b son la pendiente y interseccin de la recta de regresin.

Ejemplo 4: Ventas de Compaq

Ingresos de ventas de computadores Compaq (una marca ahora extinguida) son mostrados en la siguiente tabla, donde t representa aos desde 1990.* Obtenga el modelo exponencial de regresin para los datos. tt = Ao (1990 = 0) 0 2 4 7

RR = Ingreso ($ billn) 3 4 11 25

* Datos son redondeados. Fuente: Informes de compaa/The New York Times, Enero 27, 1998, p. D1.

Solucin Pues necesitamos modelar logR como una funcin lineal de t, primero construimos una tabla con x=t y y=logR , y entonces calculamos la recta de regresin, y=mx+b. x (=t)x (=t) 0 2 4 7

y (=logR)y (=logR) 0.477121 0.602060 1.04139 1.39794

En lugar de hacer la calculacin a mano como hicimos ms arriba, podemos utilizar la herramienta regresin en este sitio para hacerlo automticamente. Simplemente ingrese los valores de x y y y pulse el botn "y=mx+b". (S, la herramienta puede hacer regresin exponencial directamente, pero preferimos que sabe usted como funciona!) La recta de regresin que obtenemos es

y=0 13907x+0 42765

Por lo tanto, el modelo exponencial deseado es

R=Art
, donde r=10m=100 13907

1 3774, y A=100 42765 2 6770.

Nuestra modelo de ingresos es, por lo tanto,

R=2 6770(1 3774)t