Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Estadstica
Descriptiva
Objetivos
Introduccin
Casos y variables
Casos
Es cada uno de los objetos que se estudian de una poblacin, alumnos, clientes, rboles, animales, etc.
Este subconjunto se llama muestra.
Variables
Las variables estadsticas contienen los datos recolectados para cada caso, como por ejemplo: pesos,
respuestas de encuestas, calificaciones, etc, en general diferentes (variables) para cada caso.
Como veremos luego, en los programas informticos los casos diferencian a las filas y las variables a
las columnas, conformando una tabla de doble entrada. En la celda interseccin, se encuentra el dato
de la variable correspondiente a dicho caso.
De acuerdo a la escala de medicin, las variables a estudiar se agrupan en 2 tipos: cualitativas y
cuantitativas. En la siguiente descripcin, el grado de precisin aumenta a medida que se avanza en la
lectura (prestar atencin a los conceptos de igualdad, orden, diferencia y cociente).
1 Cualitativas o Categricas
Son variables cualitativas discretas, es decir que solo pueden tomar un determinado tipo de valores.
Se dividen a su vez en Nominales y Ordinales:
Nominal
No son numricas sino alfanumricas, en ingls llamadas string. No existe el orden entre ellas (no
tienen sentido los conceptos de inferior/superior), solo existe el concepto de igualdad (solo puede
2
Jorge Carlos Carr
Introduccin
Casos y variables
Ordinal
Adems de lo anterior, es posible crear una nueva variable con las posiciones ordenadas segn alguna
propiedad, pero no tiene sentido la diferencia entre las categoras.
Ejemplos:
Talla de la ropa (chico, mediano, grande), ordenada por tamao.
Evaluacin por letras (A, B, C) o (Regular, Bueno, Muy Bueno, Excelente), ordenada por
rendimiento.
Clasificacin de hoteles o de pelculas (1 estrella, 2 estrellas, etc), ordenada por calidad.
2 Cuantitativas
Son numricas y se dividen en: discretas y contnuas o de escala.
Discretas
Son el resultado de contar y por lo tanto numricas y discretas, como por ejemplo el nmero de libros
que tiene cada alumno (caso). Por esta razn suelen definirse como "X = Nmero de "
Se pueden asociar a los nmeros enteros, y sus posibles valores pueden ser finitos (nmero de ases en
una mano de 3 cartas) o infinitos (nmero de tiradas de un dado hasta sacar un as).
Observar que en estas variables, adems del orden, la diferencia entre valores tiene significado.
Ejemplos de estas variables sern objeto del captulo 3, pero en la siguiente seccin, veremos en
especial el conteo de casos (y no de elementos asociados a cada caso), llamado frecuencia absoluta1.
De escala
Son el resultado de medir y por lo tanto son numricas y contnuas. Se pueden asociar a los nmeros
reales, por lo tanto no son contables y sus posibles valores son infinitos.
Internamente se subdividen en dos clases: de intervalo y de razn.
Adems de tener sentido el orden,
en las de intervalo, adems del orden, la diferencia entre valores tiene significado, pero no los
cocientes. Esto es as porque el cero de la escala es arbitrario.
Ejemplo: Temperatura medida en las escalas Celsius o Fahrenheit, tiempo medido por aos
calendario.
en las de razn (ver tambin pgina 61), adems de la diferencia, tienen sentido los cocientes. Esto
implica que tienen un verdadero punto 0.
Ejemplo: Temperatura medida en la escala Kelvin, Pesos, Alturas, Longitudes, etc. Son las de ms
alto grado de precisin.
Se pueden diferenciar de las de intervalo observando si por ejemplo un valor n veces, representa n
veces la magnitud. Por ejemplo en la variable peso, el valor 300kg es dos veces ms pesado que el
valor de 150kg, en cambio en la variable tiempo medido por aos calendario, quien vive en el ao
2010 no tiene el doble de tiempo que quien vivi en el ao 1050. Observar que como caso
particular, en las variables de razn, 0 veces debe representar ausencia de la magnitud, en cambio
en las de intervalo, esto no sucede.
Nosotros no haremos distinciones entre las variables de escala. En cualquier caso, pueden tomar
valores tan prximos como se quiera2.
Algunas variables pueden estar en el lmite entre las ordinales y las de escala. Si la diferencia entre
cualquier par de sus valores es constante, puede ser tratada como de escala, de lo contrario tratarla
como ordinal.
Nota
El carcter de la variable no debe confundirse con el modo de medicin. La variable tiempo, por ejemplo, es
de escala, aunque el investigador decida medirlo o codificarlo en aos enteros y por lo tanto discretos.
Comoelconteotambinpuedemedirseenformarelativa,esdecirexpresadoendecimalesrespectodealgn
total,puedeconsiderarsecomovariabledeescala,oconmsprecisinderazn.
2
conlarestriccinpropiadetodoprocesodemedicin.
4
Jorge Carlos Carr
Introduccin
Problema tipo: Muestra de 52 alumnos
Figura 1-1
Datos
I Una variable
Tabla de frecuencias
La tabla es en general el paso previo a las grficas. En lo sucesivo llamaremos n al tamao de la
muestra, N al tamao de la poblacin y en forma genrica, x a la variable en estudio.
Definiciones
Frecuencia simple absoluta, nx: conteo de casos de cada categora de la variable x3.
Frecuencia simple relativa, fx: valor respecto del total, n.
Si se expresa en decimales o tanto por uno:
fx =
nx
n
fx =
nx
100
n
Eladjetivo"simple"sesobreentenderengeneral.
6
Jorge Carlos Carr
I Una variable
a. Variables Cualitativas (por lo menos)
Es conveniente obtener la distribucin, tomando como base una tabla similar a la de la figura 1-2 (en
donde he colocado un ejemplo como muestra). La columna tilde tiene la funcin de pasar cada uno
de los datos de la tabla original, de la figura 1-1, a la de la figura 1-2, colocando un tilde en ambas
tablas.
Clase Tilde
nx
fx
Nx
Fx
A
//// ////
9
60%
9
60
B
//// /
6
40%
15
100
Total
15 100%
Figura 1-2
Tabla manual
Frecuencia acumulada4
Es la suma parcial de las frecuencias, a medida que se recorren los renglones de la tabla anterior de
arriba hacia abajo (o de abajo hacia arriba).
Frecuencia acumulada absoluta, Nx: nmero de casos de cada categora x.
N x = nx
Nx
100
n
Fx = f x
Fx =
o tambin:
Fx = f x ( X x)
siendo fx la frecuencia relativa correspondiente al intervalo indicado (X es variable y x un valor fijo).
Las tablas ms cercanas que se obtienen con el SPSS, se muestran en la figura 1-3, figura 1-4 y figura
1-5.
Figura 1-3
Tabla de la variable Sexo
Figura 1-4
Tabla de la variable Carrera
Lasfrecuenciasacumuladassedefinenaquporrazonesdecompatibilidad,perorecinsernusadasenlas
variablesdeescala,pornoserdegranutilidadenlasvariablescategricas.
Figura 1-5
Tabla de la variable Calificacin Matemticas
Grficos
Diagrama de Barras
Resultan de las tablas anteriores si se las rota 90 de tal forma que en el eje x queden las categoras de
la variable y en el eje y las frecuencias.
El ancho de cada barra y la separacin entre ellas, es arbitrario. Observar que un grfico de barras para
frecuencias acumuladas, solo tendra sentido para variables ordinales.
Grficas Pareto
Si se ordenan las barras por en orden ascendente por la frecuencia, el diagrama se llama Pareto, el cual
es usado frecuentemente en las grficas de control que se estudiarn en el captulo 5.
Figura 1-6
Diagrama de barras de la variable Carrera
8
Jorge Carlos Carr
I Una variable
a. Variables Cualitativas (por lo menos)
Figura 1-7
Diagrama de barras de la variable Sexo
Figura 1-8
Diagrama de barras de la variable Calificacin Matemticas
Figura 1-9
Diagrama circular de la variable Carrera
Figura 1-10
Diagrama circular de la variable Sexo
Figura 1-11
Diagrama circular de la variable Calificacin Matemticas
Debe observarse que el ngulo central de cada sector circular surge de multiplicar la frecuencia
relativa por 360.
10
Jorge Carlos Carr
I Una variable
b. Variables Cuantitativas
b. Variables Cuantitativas
Discretas
En nuestro problema tipo las variables de conteo son el Nmero de Hermanos y el Nmero de
Libros. El tratamiento es el mismo que para las variables de escala, excepto que no se agrupan
previamente en intervalos. Ejemplos de estas variables sern objeto del captulo 3, si bien no sern
tratadas ahora, observar que tienen incorporada la igualdad, el orden y la diferencia entre valores.
De escala
En nuestro problema tipo las variables Notas de Estadstica y Notas de Matemticas
son de escala. En este apartado procesaremos la variable Notas de Estadstica.
Distribucin de frecuencias
en intervalos de clase
Como primer paso se agrupa a los datos en clases o intervalos. Esta "categorizacin" origina
diagramas emparentados con los diagramas de barras, llamados histogramas.
Diseo de los intervalos
Extremos
Cada intervalo puede ser semiabierto o cerrado5. Si llamamos li al lmite inferior y ls al lmite
superior, se tiene:
Semiabierto: li x < ls o li < x ls
Cerrado: li x ls
En el caso de los intervalos cerrados, se debe tener en cuenta que ningn dato debe caer en la zona
existente entre dos intervalos sucesivos, pues no sera contado. A modo de ejemplo, si los datos se
aproximan con 2 decimales, los intervalos podran ser [*, 2.99] y [3, *]. Cualquier nmero entre
ellos tendra 3 decimales y por lo tanto no existira en los datos.
Marca de la clase
Es el valor medio de cada intervalo. Individualiza y representa a cada clase.
Error de agrupamiento
Al reemplazar los datos por sus marcas, naturalmente se pierde la informacin de cada dato
individual, lo cual se denomina error de agrupamiento.
Nmero de intervalos
La cantidad de intervalos es un compromiso entre la claridad y el error de agrupamiento. Es
proporcional al nmero de datos y una regla comn es adoptar un valor cercano a n ,
comprendido entre 5 y 20.
Amplitud
De ser posible deben ser todos iguales entre s, puesto esto facilita la interpretacin. Sin embargo
en algunos casos conviene tener intervalos de distinta amplitud para no tener pocos intervalos
anchos o muchos intervalos angostos6.
Eventualmentepodratambinserdoblementeabierto.Enestecaso,dadoqueningunodelosdatospodra
coincidirconlosextremos,stosdebensituarseenlazonaexistenteentredosintervalossucesivos,delo
contrarionoseracontado.
6
Parapoderaplicarlosmtodosgrficosonumricosaestoscasos,sepuedetomarelintervalomenorcomo
referenteRydividircadaintervaloporelnmerodeintervalosRcomprendidos.Losrectngulos(que
representanlasreasdelhistograma)novaran.
11
Tabla de frecuencias
Es conveniente diagramar los clculos en una tabla similar a la tabla de la figura 1-12, consistente en 8
columnas. El smbolo se definir luego, al estudiar las medidas de dispersin (pgina 27).
Clase Marca Tilde
nx
fx
Nx
Fx
Figura 1-12
Tabla de una variable de distribucin de frecuencias en intervalos de clases
Figura 1-13
Distribucin de frecuencias en intervalos de clases para la variable Notas de Estadstica
Grficos
La tabla anterior tiene 2 expresiones grficas, el histograma y la ojiva.
f ab = Areaab
Informalmente, para cumplir con esta propiedad, si la abscisa es x, la ordenada deber ser:
f ( x) =
fx
x
A diferencia de un diagrama de barras, la variable es de escala, por lo cual, dado que existe
continuidad, los rectngulos deben tocarse. Para cumplir esta condicin en los intervalos cerrados, sus
valores deben considerarse lmites nominales, debiendo adoptarse como lmites reales a
los puntos medios entre el valor nominal superior del intervalo anterior y el inferior del intervalo
posterior. Estos lmites tambin se llaman fronteras de clase.
12
Jorge Carlos Carr
I Una variable
e
b. Varia
ables Cuantitativas
Figura 1-14
Histograma de laa variable Notaas de Estadsticca
Polgono de
d frec
cuencia
as
Es la poligonal
p
que une los punto
os medios de cada borde suuperior de loss rectngulos de un histogrrama.
Debe comenzar
c
y teerminar en loss intervalos exxtremos de rrea cero, para que de esta forma,
f
el reaa
debajo de la misma,, coincida con
n el rea debaajo del histogrrama (comparrar el histograama y el polggono
de freccuencias de laa figura 1-14 y observar quue los tringullos que se agrregan debajo de
d la poligonaal
son en cantidad y rrea, iguales a los que se exxtraen del histtograma).
Es esen
ncial para com
mparar 2 o ms conjuntos de
d datos, pues la superposicin de histoogramas
. En este caso
provoccara inconvennientes en la visualizacin
v
o adems, se ddeben utilizarr frecuencias
relativaas, dado que si
s el tamao de
d las muestraas es distinto para ambas ddistribucioness, las frecuenccias
absoluttas distorsionnarn la interppretacin.
Con el applet Desc
criptivos (direccin eleectrnica de la bibliografaa bajo el ttuloo
laciones), se puede obsservar cmo ccambian los valores
v
de los estadsticos (que
(
se vern en
Simul
los mttodos numricos), al modificar en form
ma interactiva la forma del histograma.
h
Estiimadorr de De
ensidad
d Kerne
el, Kern
nel Den
nsity
Estiimatorr, KDE
Una foorma de resolvver el inconveeniente de loss histogramas relacionado con su depenndencia al anccho
de cadaa intervalo, ess colocar, cen
ntrada en cadaa dato, una baarra de un anccho determinaado, el cual see
llama ancho
a
de ban
nda y de alturra igual a la fr
frecuencia relaativa de ese ddato (con lo cuual todos los datos
d
se pesaan de igual maanera). Si lueego se suman los rectngulos que se supperpongan, se obtiene un
diagram
ma llamado Estimador
E
dad Kerne
el (unifor
rme).
de Densid
En estoos grficos, laa eleccin dell ancho de bannda influye marcadamente
m
e sobre la form
ma. Cuanto m
ms
grandee es, ms suavvizada es la cuurva que se obbtiene.
13
Figura 1-15
KDE (uniforme) para la variable Notas de Estadstica
con un ancho de banda de 0.08
f ab = Fx (b) Fx (a ) = Fx
Observar que la suposicin de una distribucin uniforme de los datos dentro de cada intervalo, implica
ahora un comportamiento lineal creciente para esta curva.
En el captulo 3 veremos que, en las distribuciones de probabilidades, la ojiva se llama CDF,
Cumulative Distribution Function o Funcin Distribucin Acumulativa y su
complemento 1 CDF (o 100 CDF ) se llama SIG (Significacin).
14
Jorge Carlos Carr
I Una variable
b. Variables Cuantitativas
Figura 1-16
Ojiva de la variable Notas de Estadstica
Utilizacin de la distribucin de frecuencias
En cualquiera de las distribuciones se presentan dos series de datos (x, fx) y por lo tanto 2 tipos de
problemas, que convendr identificar desde el comienzo en la consigna del mismo:
Problema 1:
Problema 2:
Interpolacin lineal
Si el valor del dato (sea x o fx), se encuentra comprendido dentro de un intervalo, se deber interpolar
linealmente para obtener el valor de la incgnita correspondiente a ese dato. La suposicin de que la
distribucin en cada intervalo es uniforme ya se ha utilizado en la construccin del histograma o de la
ojiva, de la seccin anterior. No es difcil apreciar que tanto la funcin que define cualquier rea (total
o parcial) dentro de cada rectngulo del histograma (la altura es constante) o la ordenada dentro de
cualquier recta de la ojiva, siguen una ecuacin lineal dependiente de la abscisa x.
Histograma o tabla
xi I
I
= =
Si S f x
Como regla nemotcnica puede observarse que son 4 los valores involucrados en la ecuacin y que el
valor buscado ( xi o Si ) ser igual al correspondiente total ( I o S ), multiplicado por el cociente
de los 2 valores de la otra magnitud de tal forma que, como es lgico, este cociente sea menor que 1.
Observar que en lugar del histograma podran utilizarse en forma totalmente equivalente, las columnas
Clase y nX (o Clase y fx) de la tabla que precedi al histograma.
Ojiva o tabla
15
xi
I
I
=
=
Fi F f x
Tambin en lugar de la ojiva podran utilizarse en forma totalmente equivalente, las columnas Clase
y FX (o Clase y F) de la tabla que precedi a la ojiva.
Luego se coloca un tallo por cada rengln, seguido de todas las hojas que existan en los datos, que
comiencen en ese tallo. Generalmente un solo dgito es representado en las hojas. As por ejemplo en
la primera lnea de la figura 1-17, existen 3 datos con tallo 2, (los cuales son: 2.0, 2.0 y 2.5). En la
segunda lnea 3 datos con tallo 3: (3.0, 3.1 y 3.2), etc.
Figura 1-17
Diagrama de tallo (stem) y hojas (leaf) para la variable Notas de Estadstica
No interesa el orden en que se colocan las hojas, pero los programas las presentan en orden creciente.
La posicin de la coma decimal se informa por separado. En el SPSS el nmero que figura en Stem
width, es la potencia de 10 por la que debe multiplicarse la lectura, en la figura 1-17 es 1.
Para modificar el nmero de intervalos, la grfica se puede expandir pasando valores del tallo a las
hojas o condensar, pasando valores de las hojas al tallo. Existen otras variantes que consisten en
colocar ms de una lnea por tallo (por ejemplo con hojas de 0 a 4 y de 5 a 9) o ms de un tallo por
lnea (uniendo 2 tallos adyacentes).
Se aprecia que un diagrama de tallo y hojas provee ms informacin que un histograma pues no tiene
error de agrupamiento. Sin embargo solo resulta adecuado si el tamao de la muestra no es muy
grande, tpicamente menor a 100 casos.
Sugerencias
1. Comenzar redondeando los valores. Una estrategia adecuada de redondeo es tomar como mximo
3 dgitos significativos, DS7
2. Multiplicar por una adecuada potencia de 10 para colocar la coma al finalizar el tallo.
LosDScomienzanconelprimernmerodistintode0,conindependenciadelacomadecimal.Porejemploel
nmero0.056836,tiene5DS(56836).
16
Jorge Carlos Carr
I Una variable
b. Variables Cuantitativas
f ( x) =
f x F
dF
=
x
n
x x
dx
F ( x) = f x = f ( x)x
f ( x)dx
n
16 6
= 10 . Este valor coincide
1
Ordenada =
Area 10
=
= 10 (en este ejemplo cada intervalo tiene un ancho de 1, pero naturalmente
base 1
F ( x) = 10dx = 10 x + C
Para obtener la constante de integracin, debemos conocer un valor de la integral. Si venimos
resolviendo de izquierda a derecha, conoceremos el valor final del intervalo anterior. En este ejemplo
es. (4; 6). Por lo tanto:
6 = 10(4) + C C = 34
F ( x ) = 10 x 34 4 < x 5
Ecuacin que puede controlarse para el otro extremo del intervalo (5;16) .
17
Figura 1-18a
PDF
Figura 1-18b
CDF
2. Mtodos numricos
Estos mtodos buscan modelar los datos con 4 nmeros:
1. Medidas de posicin
Valores alrededor de los cuales giran los resultados:
Modo, Mediana, Media aritmtica, Media geomtrica, Media armnica.
2. Medidas de dispersin o de variabilidad
Dispersin de los resultados alrededor del valor central de posicin.
Amplitud, Desviacin Media, Varianza, Desviacin estndar.
3. Medidas de forma horizontal
Asimetra.
4. Medidas de forma vertical
Curtosis.
A modo de ejemplo, supongamos que las notas de 3 alumnos A, B y C se distribuyen como en la
figura 1-19. Se observa que:
A y B tienen igual valor central de posicin pero distinta dispersin,
A y C tienen distinto valor central de posicin pero igual dispersin,
B y C tienen distinto valor central de posicin y distinta dispersin.
18
Jorge Carlos Carr
I Una variable
Medidas de posicin
Figura 1-19
Todas estas medidas definen un valor de x en funcin solo de la frecuencia (modo y mediana) o de la
frecuencia y de los valores de x (las medidas restantes).
Si estas medidas se refieren a una muestra se llaman estadsticos y si se refieren a una poblacin,
parmetros.
Comparacin entre distribuciones
Las anteriores medidas se refieren a una sola distribucin. Si se requiere comparar entre s 2
distribuciones, se utilizan Medidas de Comparacin de variabilidades, entre las cuales veremos:
1. Grficas
diagramas de caja (pues contiene la medida de variabilidad: AIC, como veremos en la pgina 21).
2. Numricas
Coeficiente de Variacin (pues contiene la desviacin estndar, como veremos en la pgina 33).
Medidas de posicin
Las medidas de posicin y las de dispersin se presentarn siguiendo la secuencia desde las
categricas (nominales, ordinales) a las de escala. Se entiende que una medida adecuada para una
variable de menor precisin tambin puede aplicarse para una de mayor precisin, pero no a la inversa.
1. Nominales
Es la nica medida adecuada para datos nominales.
2. Dimensional
Como toda medida que se exprese en unidades dimensionales, se ve afectada por los cambios de
escala. Esta caracterstica es algo esperable en una medida de posicin.
3. Extremos
No es afectada por valores extremos. Si por ejemplo los primeros o ltimos valores cambiaran, el
modo permanecer inalterado.
4. Clculos
No es adecuada para clculos algebraicos.
19
Mediana
Smbolo: Q2 o m.
Q2 = x( posicin 0.5)
1 Calculo de la posicin
Es el valor de x que le corresponde al medio (50%) de la sucesin ordenada de los datos.
Es el ndice adecuado para variables ordinales (por lo menos).
Si el valor de n es par, por ejemplo 10, es el valor de x para la posicin 5.5.
Si el valor de n es impar, por ejemplo 11, ser el valor de x para la posicin 6.
En general se puede usar la siguiente expresin, que engloba a todas las situaciones,
Q2 = x(0.5(n + 1))
Es ms comn utilizar una notacin por medio de subndices (pgina 15), que indican la posicin del
valor:
Q2 = x0.5( n+1)
2 Clculo de la mediana
Como se trata de variables ordinales y el nmero de la posicin resultante no es un entero, se redondea
a la posicin entera ms cercana. En este caso, se podra elegir cualquiera de las dos o elegir siempre
la posicin par (o impar) para que la seleccin sea algo ms aleatoria (depender del tamao de la
muestra, n).
Propiedades
1. Dimensional
Como toda medida que se exprese en unidades dimensionales, se ve afectada por los cambios de
escala.
2. Extremos
No es afectada por valores extremos. Si por ejemplo los primeros o ltimos valores cambiaran, la
mediana permanecer inalterada.
3. Clculos
No es adecuada para clculos algebraicos.
N-tiles o Cuantiles
Son estrictamente medidas de posicin no central, pero se obtienen con el mismo patrn que la
mediana, con solo cambiar 0.5 por la proporcin que le corresponda.
Cuartiles
Divide a la distribucin en cuartos: Q1, Q2, y Q3, siendo las proporciones p: 0.25, 0.5 y 0.75,
respectivamente (de aqu surge el smbolo de la mediana).
La expresin general ser:
Qi = x p ( n +1) 8
Estaexpresintieneelinconvenientedequeconp=1,Q4=xn+1,enlugardelcorrectoxn.Otrasrelaciones
utilizadasson:
20
Jorge Carlos Carr
I Una variable
b. Variables Ordinales (por lo menos)
Ejemplo: si n = 42, el cuartil 3, Q3, ser el valor de x que le corresponde a la posicin 32:
Es una caja similar a la que se muestra en la figura 1-20, en la que se presentan 5 informaciones: LI
(Lmite Inferior); Q1, Q2, Q3 y LS (Lmite Superior). (Q1 y Q3 son los lmites de la caja y la distancia
entre Q1 y Q3, se llama AIC, Amplitud Intercuartlica)). A continuacin de la caja se grafica para
ambos lados una lnea llamada bigote (whisker) que se extiende hasta la ltima observacin que se
encuentre a menos de 1.5(AIC) del borde de la caja. Los datos que superan esta distancia se llaman
extremos (outliers), y se grafican de forma particular (ver punto siguiente). Es conveniente dibujar
la caja debajo y alineada con el histograma.
Figura 1-20
Diagrama de caja
Un diagrama de caja es til para indicar grficamente la magnitud de la desviacin, para detectar
valores extremos y adems a partir del mismo puede reconstruirse la forma genrica del histograma (el
problema Precios de empresas de la bolsa de comercio de la pgina 115, parte de un diagrama de
caja).
En lugar de dividir a la distribucin en cuartos, estos valores surgen de dividirla en quintos, dcimos o
centsimos, respectivamente.
La expresin general es la misma anterior. Por ejemplo los percentiles se calcularn con:
Pi = x p ( n +1)
Ejemplos:
Percentil 12
Qi = x pn o Qi = x p ( n+0.5)
21
D2 = x0.2( n+1)
Notas
Cuando el nmero de divisiones dado por p es mayor que n+1, se observar que la parte entera es 0 o n. En
este caso se adoptar como percentil al primer valor o el ltimo, respectivamente. Por ejemplo si n = 3
(n+1=4) y se divide en quintiles, el primer quintil se encontrara en la posicin 0.2*4=0.8 (antes del primer
valor) y el ltimo en la posicin 0.8*4=3.2 (despus del ltimo valor).
Veremos en la seccin SPSS (pgina 45), que este programa calcula los percentiles p de la siguiente forma:
a) clculo de la posicin
con p(n+1)
b) clculo de cada percentil
Se descompone la posicin anterior en una parte entera I y una parte decimal D y luego s halla la
siguiente media ponderada de los valores XI y XI+1:
XI*(1D) + XI+1*D
Esta expresin resuelve el inconveniente citado en la anterior nota al pie de pgina.
Observar que tanto la moda como la mediana, definen un valor de x que no depende de los x extremos, pues
solo es funcin de la frecuencia9. Se trata de problemas de x = funcin (fx).
c. Variables Cuantitativas
Las medidas que se vern para variables cuantitativas de escala (de medicin) tambin pueden
utilizarse para variables cuantitativas de discretas (de conteo).
Modo
Datos sin agrupar
dem anterior
Datos agrupados
Si M se aplica a variables de escala, tendremos aqu un intervalo modal. Se puede tomar como modo
M a la marca, al lmite inferior o al lmite superior. Una medicin ms precisa es ubicarlo ms cerca
del intervalo contiguo cuya frecuencia sea mayor. Esto se logra con la proporcionalidad:
fp
xM
=
I
f A + fP
En donde:
xM = M l . M es el modo y l el lmite inferior del intervalo
I: amplitud del intervalo
fP: frecuencia del intervalo posterior
fA: frecuencia del intervalo anterior
Observar que la fraccin de frecuencias es, como corresponde, menor que 1 y que si fP aumenta, M se
acercar al intervalo posterior y viceversa. Si fP = 0, M estar en el lmite inferior y se fA = 0, M estar
en el lmite superior.
Finalmente:
M = l + xM
Confrontarluegoconladefinicindelasmedias.
22
Jorge Carlos Carr
I Una variable
c. Variables Cuantitativas
Nota
En la versin contnua de f ( x ) (captulo 3), el modo se corresponder con la solucin de la siguiente
ecuacin.
df ( x )
=0
dx
Por lo tanto, el modo, si existe, es el mximo relativo de la funcin densidad f(x).
Mediana
Datos sin agrupar
dem anterior
Datos agrupados
Si Q2 se aplica a variables de escala, se presentan dos mtodos alternativos.
Mtodo por interpolacin
1 Clculo de la posicin
xm Aa
=
A
I
Finalmente:
Q2 = l + xm
Observar que tambin se puede obtener la mediana interpolando para el complemento del rectngulo
Aa y restando el valor de xm del lmite superior del intervalo.
Recordar adems que si los intervalos son cerrados, debe adoptarse el limite real y no el nominal
(pgina 12).
Mtodo SPPS (pgina 45)
1 Clculo de la posicin
Se calcula la posicin con p(n+1) (con p = 0.5)
2 Clculo de la mediana
Se descompone el resultado anterior en una parte entera I y una parte decimal D.
Luego calcula cada percentil con la siguiente media ponderada de los valores XI y XI+1:
XI*(1D) + XI+1*D El valor puede ser entero o decimal.
Para verificar este resultado, el lector deber previamente ordenar los valores de la variable con un clic
derecho en el encabezamiento de la columna > Sort Ascending.
Este clculo coincide en general con la expresin por interpolacin que utilizamos en el clculo
manual.
10
Estaoperacinsejustificaconsiderandoqueelcrecimientodelasfrecuenciasdentrodeunintervaloseha
supuestolineal(verojiva,pgina18)
23
Nota
La versin contnua si se conoce f ( x ) se corresponder con la siguiente ecuacin, de donde se despeja x:
Q2
f ( x)dx = 0.50
Adems de las anteriores medidas de posicin, son adecuadas las siguientes medias; aritmticas,
geomtricas y armnicas.
Media Aritmtica
Smbolos
Muestra: x
Poblacin: E(X), valor esperado o esperanza matemtica. En general se usan maysculas cuando
se desea recalcar que es una variable aleatoria (captulo 3).
Es la medida ms conocida y difundida.
x=
x = x
n
1. Dimensional
Como toda medida que se exprese en unidades dimensionales, se ve afectada por los cambios de
escala.
2. Extremos
Se basa en cada dato, por lo cual es afectada por los valores inusualmente bajos o altos (es decir
por los extremos). En este caso, la media no representa adecuadamente a los datos. Una solucin
es recortar los datos descartando un porcentaje de los valores ms bajos y ms altos. Se llama
entonces media recortada del p%, donde p es el porcentaje elegido.
3. Masas
Si las frecuencias se cambian por reas, x indica la coordenada x del centroide de la figura. Si
fueran masas, es la coordenada x del centro de gravedad. En base a esta interpretacin, si
consideramos al eje x como una viga cargada con el histograma, un solo apoyo colocado en x , la
sostendra en equilibrio.
4. Matemticas
(x x ) = 0
( x x ) = mnima
2
Total = Nx
La primera se demuestra distribuyendo la sumatoria y observando que los 2 trminos resultan ser
iguales. La segunda resulta de reemplazar x por un valor desconocido a , obtener el mnimo por
derivacin igualada a 0 y observar que resulta a = x . La tercera surge directamente de la
definicin de la media aritmtica.
Datos agrupados
Simplemente reemplazar el valor de x por el producto de la marca (a la que tambin llamar x) y su
frecuencia nx.
x =
nx x
= fx x
n
24
Jorge Carlos Carr
I Una variable
c. Variables Cuantitativas
Nota
Para obtener la versin para la forma contnua poblacional de f ( x ) (captulo 3), se deber reemplazar la
sumatoria por la integral y fx por f(x)dx (pgina 17), resultando:
E ( x) =
xf ( x)dx = xdF ( x)
Media ponderada
La expresin de x para datos agrupados, es en realidad una media ponderada en la que a cada x se le
asigna como peso la frecuencia relativa:
nx
nx
Este nmero le da mayor importancia ("pesa") a unos valores en relacin a otros.
Esta expresin se puede generalizar con pesos provenientes de cualquier otra consideracin. Se
obtiene as la expresin general:
xP =
en donde:
wx x
= wrel x
w
w = wx
Entre las aplicaciones de mayor importancia se encuentran, la media de medias (o gran media) y la
media de proporciones.
Media de medias
Sea por ejemplo la obtencin del salario medio de profesores de un pas, conocidos los salarios medios
de los profesores en cada provincia. Es incorrecto promediar estos valores, pues se debe tener en
cuenta el nmero de profesores de cada provincia. Una sencilla demostracin a partir de la igualdad
del salario total expresado por la siguiente ecuacin, conduce a la expresin del salario promedio
como la media de los salarios, ponderada por la proporcin relativa de las poblaciones. La media de
proporciones se demuestra en forma similar.
xT NT = xi Ni
xT = xi
Ni
= xi wi
NT
RMS =
x2
n
En la fsica, se demuestra que es el valor correcto para expresar el valor medio de corrientes que
generan iguales cantidades de energa.
Media Geomtrica
G = n x
Al smbolo se lo denomina productoria y el smbolo G proviene de Geometric. Dada la necesidad de
que la raz tenga sentido para cualquier ndice, los valores deben ser positivos o cero.
Se usa en economa para tratar procesos que cambian en forma multiplicativa ms que aditiva.
25
Media armnica
H=
1
1
( x)f
Amplitud
A = LS LI
AIC = Q3 Q1
ASIC =
Q3 Q1
2
b. Variables Cuantitativas
Adems de las anteriores, son adecuadas la desviacin media, la varianza y la desviacin estndar,
relacionadas en este caso con la media.
Dado que las formulas para datos sin agrupar y para datos agrupados, solo difieren en el reemplazo de
x por x*fx (siendo esta x, el valor de la marca), solo se presentarn las expresiones para datos
agrupados (siendo vlidas para datos sin agrupar, especialmente para variables cuantitativas discretas,
con fx = 1).
26
Jorge Carlos Carr
I Una variable
b. Variables Cuantitativas
Desviacin Media
Desviacin o Variabilidad
En este libro llamaremos a la diferencia entre el valor de una variable y su media. Esta medida se
llama desviacin o variabilidad. Dado que usualmente no se presenta la necesidad como en
matemticas, de usar esta notacin para cualquier tipo de diferencia, no existir la posibilidad de
confusin.
= xx
DM = E () = nx
y por lo tanto:
xx
n
DM = f x
Si no se tomara el valor absoluto, el valor sera 0, por la propiedad 1 de las medias aritmticas.
Nota
La versin contnua si se conoce f ( x ) (captulo 3), ser:
+
DM =
| x x | f ( x)dx
nx x
x
= x x = 0
n
n
Mejor estimador
Si se miden las diferencias respecto de la mediana, se llama Desviacin Media centrada en la mediana
o Desviacin Absoluta Promedio (AAD, Average Absolute Deviation).
De todos los valores de posicin de un conjunto de datos, la mediana tiene la propiedad de minimizar
la DM. El conocimiento de esta propiedad es valiosa si se desea por ejemplo planificar donde colocar
el puesto de una ambulancia o estacin de bomberos para minimizar la suma de distancias a las casas.
Una demostracin grfica puede visualizarse ordenando los datos:
a) n par
Sea n par y adoptemos por ejemplo n = 4. La mediana Q2 se encontrar entre x2 y x3.
x1 x 2
x3
x4
--Q2 --------Q2 ----------Puede observarse dibujando las rectas de las distancias a los datos, que cualquiera sea el punto elegido
(no necesariamente la mediana), las distancias a los extremos es la misma e igual a la amplitud entre
ellos: x4 x1 . Esto siempre ocurrir si el punto es interno a los 2 datos en cuestin. Por lo tanto si el
punto se encuentra entre x2 y x3 (mediana), la suma de distancias a estos puntos es siempre la amplitud
entre ellos: x3 x2 .
En cambio, razonando por contradiccin, si se toma un valor cualquiera distinto de la mediana y por lo
tanto fuera de x2 y x3, la suma de las distancias a estos 2 puntos ser siempre mayor que la amplitud
entre ellos, en un valor igual al doble de la distancia del punto al dato (x2 o x3) ms cercano.
b) n impar
Anlogamente puede visualizarse un comportamiento similar si n = 3 (impar). La mediana se
encuentra exactamente en un dato y por lo tanto la distancia a este dato es cero, siendo en cambio igual
a la distancia del punto a la mediana para cualquier otro punto.
Estas conclusiones pueden extenderse y adaptarse para cualquier valor de n.
Condensemos estos razonamientos en la siguiente relacin, donde a es cualquier valor central y d
expresa las diferencias comentadas.
27
| x a |= | x Q
| +d
Varianza
Smbolos
Muestra: s2 o vxx
Poblacin: 2, tambin V(X) o Vxx
La definicin de la DM contiene valores absolutos, es decir una operacin no algebraica, definida por
tramos y por lo tanto no derivable. Esto la convierte en inadecuada para gran parte de los clculos. De
aqu que para no trabajar con valores absolutos, se reemplaza el valor absoluto por el cuadrado.
Deben distinguirse 2 clculos, segn se trate de una poblacin o de una muestra.
Poblacin
Se divide por la cantidad total N.
V ( X ) = 2 = E ( ) 2 = E ( X ) 2 =
2 = fx
nx ( x ) 2
N
Nota
Para obtener la versin contnua poblacional de f ( x ) (captulo 3), se deber reemplazar la sumatoria por la
integral y fx por f(x)dx, resultando:
2 = ( x ) f ( x ) dx
2
Muestra
Se divide por la cantidad n-1.
s2 =
nx 2
n 1
La razn de no tomar n, se ver en el captulo 5, pgina nmenos1_5 y se relaciona con el hecho de que
de esta forma, la varianza de la muestra es un estimador sin sesgo de la varianza de la poblacin. Esto
significa que los valores de s2 tienden a ser iguales a los valores de 2, en lugar de tender a ser
mayores o menores.
Si se miden las diferencias respecto de la mediana, se llama varianza centrada en la mediana.
Suma de los cuadrados
Dado que ser usado al tratar distribuciones bivariables (pgina 85), conviene definir el concepto SS,
Square Sum (Suma de los Cuadrados):
SS xx = nx ( x x )2
De esta forma:
SS xx
N
SS xx
2
s =
n 1
2 =
Observar que si se conoce la varianza de un conjunto de datos considerados como muestra, se puede
obtener la varianza de ese conjunto de datos considerados como poblacin (y viceversa), con la
expresin:
28
Jorge Carlos Carr
I Una variable
b. Variables Cuantitativas
2 = s2
n 1
N
En la ltima parte de este captulo y en el contexto de la asociacin de variables veremos que SSxx
tambin recibe el nombre de SST suma de los cuadrados totales, cuando corresponde al clculo de la
variable dependiente y (ver pgina 107).
Expresiones de Steiner o de clculo rpido
SS xx = nx x 2 2 xxnx + x 2 nx = nx x 2 2 x 2 n + nx 2 = nx x 2 nx 2
En definitiva:
SS xx = nx x 2 nx 2
2 =
SS xx
= E( x2 ) 2
N
Estas expresiones permiten obtener la SSxx y la varianza, sin necesidad de calcular las desviaciones
requeridas en la expresin por definicin. Por la relacin con expresiones similares que se utilizan al
estudiar los momentos de inercia en matemticas, las llamaremos expresiones de Steiner, tambin
conocidas como de clculo rpido. No sern de utilidad para un clculo numrico ms rpido sino que
adems son muy tiles para los clculos de la versin poblacional para variables cuantitativas (captulo
3).
Con otra notacin, la ltima relacin se puede expresar:
V (U ) = E (U 2 ) [ E (U )]2
Mejor estimador de mnimos cuadrados
n (x x )
x
= mnima
Se reconoce que esta expresin es la SSxx y por lo tanto equivale a decir que dentro de todos los
estimadores posibles de un conjunto de datos, la media tiene la propiedad de minimizar la varianza.
Esta propiedad se expresa diciendo que de todos los valores de posicin de un conjunto de datos, la
media es el mejor estimador de mnimos cuadrados.
Existe una rica historia acerca de la controversia por varios siglos entre la eleccin de la mediana (que
minimiza la DM) o de la media aritmtica (que minimiza la varianza) como mejor estimador de un
conjunto de errores (exponentes de la misma fueron Kepler y Galileo).
Desviacin Estndar
Para que las medidas de dispersin tengan las mismas unidades que los datos, se debe extraer la raz
cuadrada de la varianza, originando la medida llamada desviacin estndar.
Simbolos
Muestra: s
Poblacin:
Por lo tanto:
= V (X )
s = s2
Propiedades
1. Dimensionales
Al igual que las medidas de posicin, las de dispersin se expresan en unidades dimensionales y
por lo tanto, se ven afectadas por los cambios de escala, caracterstica no deseable en una medida
de dispersin. Algunos de los paliativos se vern al tratar las propiedades del Coeficiente de
Variacin (pgina 33) y de la variable z (pgina 33).
29
E (c ) = c
E (cX ) = cE ( X )
3
4
5
E (c X ) = c E ( X )
E ( X Y ) = E ( X ) E (Y )
E ( XY ) = E ( X ) E (Y )
V (c ) = 0
V (cX ) = c 2V ( X )
3 V (c X ) = V ( X )
V ( X Y ) = V ( X ) + V (Y )
En particular:
La propiedad 2 demuestra la afectacin por cambios de escala dados por la constante c.
La propiedad 3b demuestra la no afectacin de la variabilidad con los cambios de origen.
Momentos de orden n
La media aritmtica y la varianza son casos particulares de las siguientes expresiones, ms generales,
llamadas momentos de orden n11.
Naturales
Centrados
a1 = E ( X ) = x f =
a2 = E ( X ) = x f
2
an = E ( X n ) = x n f
c1 = E ( X ) = ( x ) f = 0
c2 = E ( X )2 = ( x )2 f = 2
cn = E ( X )n = ( x ) n f
c2 = s 2 = a2 a12
c3 = a3 3a1a2 + 2a13
c4 = 3s 4
Las expresiones para variables contnuas se estudiarn en el captulo 3, pgina Momentos3.
Asimetra
Es una medida adimensional de deformacin horizontal. En ingls se llama skew.
Las distribuciones pueden ser simtricas o asimtricas respecto de un eje vertical, estas ltimas
tambin llamadas sesgadas. Si la cola de una distribucin asimtrica se encuentra hacia la derecha, se
dice que est sesgada hacia la derecha y viceversa. Las distribuciones sesgadas a la derecha son ms
comunes, pues es ms fcil que se obtengan valores marcadamente altos que bajos, tal como sucede,
por ejemplo, con los salarios.
11
Enlapgina91seextenderelconceptodemomentospara2variables.
30
Jorge Carlos Carr
I Una variable
Curtosis
Figura 1-21
Relacin entre la media, la mediana y el modo
En base a la propiedad anterior, para determinar el sesgo solo se necesitara comparar la media con la
mediana, sin embargo, se utilizan tambin varios indicadores numricos:
skew =
( x Q2 )
x M
=3
s
s
c3
skew = 3
s
El ltimo indicador usa el momento centrado de orden 3 y da 0 para una distribucin simtrica,
positivo para sesgo a la derecha y negativo para un sesgo a la izquierda.
SPSS y EXCEL se dan el lujo de realizar clculos algo ms complejos:
skew =
c3
n2
s 3 (n 1)(n 2)
Curtosis
Es una medida adimensional de deformacin vertical. Se toma como referencia una distribucin
llamada normal , de Gauss o campana de Gauss, que se estudiar en el captulo 3.
Las distribuciones normales se llaman mesocrticas, las ms alargadas leptocrticas (menos
variabilidad) y las ms achatadas platicrticas (ms variabilidad).
Tambin aqu se han desarrollado varios indicadores numricos. Desde el ms simple (en funcin solo
de las frecuencias), al ms complejo (en funcin de las frecuencias y de todos los valores de x),
citaremos.
AIC
AEP
c4
cur = 4 3
s
cur =
Veremos en el captulo 3, pgina curtosisnormal3, que el primer indicador da, para la distribucin
normal, un AIC de 1.35 y un AEP de 2.56, de los cuales resulta una curtosis de 0.52. Una platicrtica
tendr valores mayores en cada uno, pero su cociente es menor (como es esperable para una curtosis
ms chica) y viceversa para una leptocrtica.
El segundo indicador usa el momento centrado de orden 4 y da 0 para una mesocrtica, negativo para
una platicrtica y positivo para una leptocrtica.
SPSS y EXCEL utilizan la siguiente expresin, basada en la segunda expresin:
cur =
31
c4
(n + 1)n 2
(n 1) 2
3
s 4 (n 1)(n 2)(n 3)
(n 2)(n 3)
SPSS
Los valores que calcula el SPSS (pgina 39) para los estadsticos de las variables, Carrera, Sexo, Notas
de Estadstica, Notas de Matemticas y Calificacin Matemticas, se presentan en la figura 1-2212.
Observar que el software calcula todos los estadsticos para cada una de las variables numricas,
independientemente que sean categricas (con una codificacin artificial como en este ejemplo) o de
escala. Es el usuario el que debe saber cual medida es la ms adecuada al tipo de variables que est
estudiando.
Se sugiere al lector que calcule y verifique todos los estadsticos que hemos desarrollado hasta ahora.
Se debe tener en cuenta adems que el SPSS, al no tener limitaciones de clculo, realiza las
operaciones con los valores sin agrupar y que las expresiones que utiliza para los cuantiles, asimetra
y curtosis, son distintos a los utilizados manualmente. Estas circunstancias pueden ocasionar
diferencias respecto de los valores resultantes del clculo manual.
Figura 1-22
Estadsticos para las variables Carrera, Sexo, Notas de Estadstica, Notas de Matemticas y Calificacin
Matemticas
12
LasvariablescategricasCarrera,SexoyCalificacinMatemticafueroncodificadasenformanumricapara
habilitarelclculodelosparmetros.
32
Jorge Carlos Carr
I Una variable
Coeficiente de Variacin, CV
Coeficiente de Variacin, CV
Es una medida de dispersin adimensional, por lo tanto no afectada por los cambios de escala.
CV Centrado en la media
CV = COV =
s
x
CV Centrado en la mediana
CVmed =
smed
Q2
Coeficiente de Dispersin, CD
Es el cociente de la Desviacin Media, pero centrada en la mediana (llamada tambin DM
Absoluta, AAD, Average Absolute Deviation) y la mediana.
CD = COD =
DM med
Q2
Propiedades
1. Adimensionales
Son medidas de dispersin adimensionales y por lo tanto no se ven afectadas por los cambios de
escala. Sin embargo no estn acotadas pues la medida de posicin y la de dispersin pueden darse
en forma independiente.
2. Usos
Se utilizan para comparar dispersiones relativas a las medias, de variables con iguales o distintas
unidades (por ejemplo pesos y alturas). Para enfatizar que son magnitudes relativas se las suele
expresar en porcentaje (multiplicando por 100). Un valor de por ejemplo CV = 50%, indica una
distribucin con una dispersin del 50% de la media. Se enfatiza que no mide variabilidad
absoluta. As por ejemplo un CV = 0.5 (es decir 50%) indica una s = 0.5 si x = 1 o una s = 1 si
x = 2.
Tambin se usan para comparar la representatividad (magnitud) de la media (o mediana) de
dos o ms conjuntos de datos. Cuanto menor sea el coeficiente, ms representativa es la media (o
mediana).
3. Media cero
No se pueden calcular cuando la media o la mediana son cero (por ejemplo para variables z, ver
punto siguiente).
Variable z
Si un alumno obtiene una media general de 8, en una escala de 0 a10, es un buen alumno o un mal
alumno? La respuesta es: depende. Si el profesor es generoso y nunca coloca notas debajo de 8, podra
tratarse del peor alumno, pero si es muy exigente y no coloca notas superiores a 8, podra ser el mejor
alumno. Existe alguna forma de que la nota refleje la posicin respecto del promedio del curso? La
respuesta es s, transformndola en valores z.
33
Para estandarizar una variable de escala x de tal forma que siempre tenga media 0 y s=1, se la
transforma mediante la siguiente ecuacin:
Para una muestra:
z=
Para una poblacin:
z=
xx
=
s
s
Figura 1-23
Variable z
Observar y justificar la correlacin entre los ejes x y z de la figura 1-23 y figura 1-24.
x
3
2
+
+2
+3
z
3
2
1
0
1
2
3
Figura 1-24
Conversin x- z
Propiedades
1 Adimensional
La variable z, adems de adimensional y por lo tanto no afectada por los cambios de escala, es mucho
ms significativa que la original x, pues informa sobre la relacin de x con el resto de la distribucin.
2 Suceso poco comn
34
Jorge Carlos Carr
I Una variable
Otras transformaciones
En la figura 1-23 con las dos abscisas x y z, si se coloca solo un eje f(x), la grfica no puede ser unica.
Veamos porque.
Cambio de la grfica
Por definicin de histograma, el rea debajo de las curvas para un elemento diferencial de eje deber
ser la misma. Adelantando informalmente una expresin para funciones de variables aleatorias que se
ver en el captulo 3, pgina CambioVar3, se tiene:
Area = f ( x ) dx = f ( z ) dz
f ( z) =
En este caso, z =
dz
:
dx
f ( x)
z'
xx
1
por lo cual z ' = . Finalmente:
s
s
f ( z ) = s f ( x)
xx
(inversamente proporcional a s ). A
s
E ( x) x
=0
s
V ( x)
V ( z) = 2 0 = 1
s
z = E( z) =
En la variable z, f(z) siempre tiene una media aritmtica de 0 y una desviacin estndar de 1.
Otras transformaciones
Hemos visto las ventajas de transformar la variable original en un valor z.
En el captulo 5 veremos que algunas de las tcnicas de inferencia requieren homogeneidad de
varianzas y normalidad (pgina homocedasticidad5). Si los datos no las presentan, se puede intentar
con una transformacin de los mismos. Luego de ejecutar la tcnica se vuelve a los datos originales,
antitransformando. Un ejemplo de este proceso se presenta en el captulo 5 al tratar la inferencia del
coeficiente de correlacin (pgina Fisher5).
Homogeneidad de varianzas
Se tiene por ejemplo una variable de escala (por ejemplo Notas de Estadstica) y una categrica (por
ejemplo Carrera). La homogeneidad de varianzas13 significa que las varianzas de la variable de escala
(Notas de Estadstica) para cada uno de los grupos (Carreras) sean iguales.
13
Tambinllamadahomocedasticidad.
35
Deteccin
Para detectar informalmente esta situacin obtener la relacin (por ahora grfica) entre:
Dispersin = f(Media).
Si las dispersiones son similares, la recta deber ser aproximadamente horizontal.
Las tcnicas estadsticas formales se vern en el captulo 7, pero en la pgina 53 se comentarn las
existentes con el SPSS.
Transformacin
Potencia y logaritmo
Una tcnica aproximada para estabilizar a las varianzas, es realizar una transformacin de los datos
elevando la variable de escala a una potencia cercana a (1pendiente) de la recta:
Dispersin = f(Posicin).
Normalidad
Esto significa que las distribuciones de las poblaciones de la que provienen los histogramas deben
seguir una curva acampanada, llamada Normal (la cual se estudiar en el captulo 3).
Deteccin
Tcnicas no formales para detectar esta situacin son:
Calcular la media y la mediana y verificar que sean parecidas.
Calcular las medidas de sesgo y de curtosis y compararlas con 0.
Observar el histograma y compararlo con la distribucin Normal.
Las tcnicas estadsticas formales se vern en el captulo 7, pero en la pgina 55 se introducir la
Bondad del Ajuste y en la pgina 52 se comentarn las existentes con el SPSS.
Transformacin
Observando el histograma se puede probar alguna transformacin que expanda o comprima los valores
segn se necesite.
Potencia y logaritmo
x , ln x, 1/ x
Recordando las formas de estas grficas, observamos que la inversa es la ms indicada cuando la
expansin de los bajos es ms pronunciada. Si el 0 est presente en los datos, sumar el nmero 1 en el
logaritmo y en la inversa.
Si la distribucin es sesgada a la izquierda, es necesario comprimir los valores bajos y expandir los
altos. Probar con potencias mayores que 1:
x2
Arcseno
arcsen x .
Esta transformacin adems produce una varianza independiente de los valores de las proporciones y
por esta razn ser utilizada en el captulo 5, pgina arcsenA5.
36
Jorge Carlos Carr
I Una variable
Desigualdad de Tchebysheff
Desigualdad de Tchebysheff
Permite interpretar el valor de la desviacin estndar.
Figura 1-25
Desigualdad de Tchebysheff
Tesis
z k > z > zk
Este teorema establece que cualquiera sea la distribucin, la suma de las frecuencias relativas de las 2
colas, no puede superar a 1/zk2.
En smbolos:
fx
2 colas
1
zk2
Demostracin
Consiste en 3 pasos.
1 Por definicin de la varianza
Llamando a las desviaciones respecto de la media:
2 = 2 f x = 12 f x1 + 22 f x 2 + 32 f x3 + ...
Eliminando los sumandos que contienen las que se encuentran entre las dos colas:
2 >
fx
2 colas
> zk
2 >
(z )
fx
2 colas
z k > z > zk
fx <
1
zk2
O tambin:
zk < z < z k
fx > 1
1
zk2
En la tabla de la figura 1-26 se presentan los valores para la suma de las frecuencias comprendidas
entre las 2 colas, tanto para el teorema de Tchebysheff, como para la distribucin simtrica y
mesocrtica llamada distribucin normal (a estudiar en el captulo 3).
37
k Tchebysheff Normal
68%
1
75%
95%
2
89%
99%
3
Figura 1-26
Suma de las frecuencias entre las 2 colas
Se observa que si se conoce la distribucin (como por ejemplo la normal), se obtienen nmeros ms
precisos que los del teorema de Tchebysheff. Sin embargo este teorema establece un mnimo, por lo
cual resulta de mucha utilidad cuando se carece de esta informacin.
En el captulo 3, pgina Tchevy3, se ver que la sumatoria de frecuencias se corresponde con una
probabilidad:
2 colas
fx =
2 colas
zk > X > + zk
LI x 3s
LS x + 3s
2. Estima de la desviacin estndar
Se puede obtener una estima del valor de s, dividiendo por 6, a la amplitud A.
A
6
38
Jorge Carlos Carr
I Una variable
1. Procedimiento Samples
SPSS Procedimientos
exploratorios
Los procedimientos con el SPSS se incorporan al cuerpo de la teora para que, de esta forma, el
alumno que lo desee, pueda elegir complementar cada seccin con la operatoria correspondiente en el
SPSS y de esta forma resolver cada uno de los problemas en forma dual, a mano y con computadora.
Es necesario recorrer el apndice A antes de estudiar esta seccin, pues en el mismo se estudia el
entorno de desarrollo del SPSS.
Los procedimientos exploratorios univariables incluidos en el SPSS, son los siguientes.
1. Procedimiento Samples (Muestreo)
2. Procedimiento Frequencies (Frecuencias)
3. Procedimiento Explore (Explorar)
4. Procedimiento Descriptives (Descriptivos)
En las primeras actividades trabajaremos con archivos SPSS o con datos directamente tecleados en el
editor Data View. El alumno puede utilizar cualquier archivo de datos *.sav que le resulte de inters
(por ejemplo creado por si mismo) o elegir uno del conjunto de archivos contenido ya sea en la carpeta
Base de Datos cuya direccin se encuentra en la bibliografa o en la carpeta Samples contenida en la
carpeta de instalacin del SPSS (por defecto en C > Archivos de Programas > SPSSInc).
En el archivo seleccionado, elegir 2 variables, una categrica y la otra de escala y recorrer cada uno de
los siguientes apartados aplicndoles a cada una, los tratamientos ms adecuados de acuerdo a su tipo.
En cada tem se explican las distintas alternativas que presenta el SPSS. Es conveniente experimentar
todas ellas, pues adems de resolver el tema especfico, se trata de dominar las distintas prestaciones
del programa.
Finalmente, para practicar el proceso de la presentacin de un informe, exportar todos los grficos y
tablas que se obtengan, a un documento Word, en el cual se agregarn los comentarios y aclaraciones
que se estimen pertinentes.
Conviene en este caso agrupar los informes en dos secciones:
variable cualitativa o categrica (nominal u ordinal)
variable cuantitativa (discreta o de escala)
1. Procedimiento Samples
El anlisis estadstico comienza con la recoleccin de datos. En un curso bsico de estadstica bsica
se asume habitualmente que stos ya han sido recolectados y que se encuentran disponibles.
Si una decisin y conjetura debe extraerse de ellos, resulta obvio que deben ser recolectados por un
plan bien diseado, denominado diseo del muestreo. En esta seccin solo se ver como realizar un
muestreo aleatorio simple de un conjunto grande de casos.
N es el tamao de la poblacin y n el tamao de la muestra.
Consideraremos al conjunto de datos del archivo como una poblacin y comenzaremos por simular un
muestreo al azar.
Select Cases
El generador de nmeros pseudoaleatorios del SPSS utiliza una semilla (nmero entre 0 y
2000000000), a partir de la cual genera una secuencia. Para que la misma cambie para distintos
procedimientos se deber establecer en general que esta semilla sea aleatoria.
Actividad
39
Figura 1-27
Se seleccionan los casos de la vista de datos para el muestreo aleatorio con (figura 1-28): Data >
Select Cases > Random Samples of cases > Sample> Exactlyo
Approximately (tamao de la muestra que se desee) > Continue > OK. (Random
Samples significa Muestreo Aleatorio)
14
MersenneTwister,MT,esungeneradordeNmerosAleatoriosUniformes,cuyoperodoesunnmero
primodeMersenne,esdecirM=2p1,siendopunnmeroprimo,engeneral19937(MT19937).Marin
Mersennefueunmatemticofrancs(1588,1648)yTwistersignificaTornado.
40
Jorge Carlos Carr
I Una variable
1. Procedimiento Samples
Figura 1-28
Figura 1-29
Se observar que los casos no muestreados se anulan con una diagonal en el margen izquierdo y que se
genera una nueva variable filter_$ con 1 en los elementos muestreados y 0 en los no muestreados
(SPSS utiliza esta variable para filtrar cualquiera de las variables del archivo)15. Prestar atencin a la
barra de tareas en donde aparece la indicacin Filter On para que el usuario tenga en cuenta que el
programa considerar dicho filtro en todos los futuros procedimientos. Para cambiar esta situacin y
volver a los datos sin filtrar, seleccionar All cases en el mismo cuadro de dilogo que se utiliz
para colocar el filtro o alternativamente borrar la variable filter_$.
Cualquier variable puede ser utilizada como filtro con el botn Use filter variable (ver figura
anterior). La idea es parecida, se filtrarn todos los casos que tengan el valor 0 en el filtro.
Si sale de SPSS y luego debe seguir trabajando con los mismos datos filtrados al azar, deber tener la
precaucin de no efectuar un muestreo nuevo, pues producir una nueva composicin de datos. Para
lograr la misma composicin, seguir alguna de las siguientes alternativas.
usar la misma semilla al solicitar nuevamente el muestreo. Esta semilla entrar en vigor en la
prxima seleccin de casos. En el caso de que la seleccin de casos se encuentre activada
15
SPSSutilizaengeneralelsigno$paraindicarvariablesgeneradasinternamente.
41
(Filter On en la barra de estado), se debe anular con Data > Select Cases > All
Cases y luego iniciar un nuevo proceso.
guardar el archivo con la variable filter_$, luego puede reproducirse el muestreo original
utilizando como variable filtro a la variable filter_$: Data > Select Cases > Use
filter variable.
lograr que SPSS elabore una lista en el visor con los datos del muestreo, los cuales luego podrn
copiarse y pegarse en el editor de datos o en Word. Esta alternativa es tambin til para poder
generar una tabla en el visor con las variables del editor de datos que se deseen. Para esto seguir el
procedimiento resumen: Analyze > Reports > Case Summaries... > desplazar
la variable a la lista activa > OK. Adicionalmente navegar por los controles del
procedimiento resumen para observar que tipo de prestaciones ofrece (ver Apndice A).
eliminar del editor de datos los casos no muestreados, tildando Delete unselected cases
cuando se realiza el muestreo en la ventana Select Cases (ver figura anterior). Esta opcin
elimina definitivamente estos casos.
Filter On es una de las 3 condiciones que al ser seleccionadas son colocadas en la barra de tareas
para alertar al usuario de una condicin especial, las otras 2 se encuentran en el mismo sector del men
y son las correspondientes a Weight Cases y Split File.
Weight Cases
El procedimiento Weight Cases (Ponderar casos) permite procesar frecuencias absolutas,
cuando las mismas se dan en forma de tabla separada para cada uno de los datos.
Figura 1-30
Se debe crear en el editor SPSS una variable con la columna de frecuencias absolutas. Luego seguir:
Data > Weight Cases > Weight cases by...> colocar el nombre de esa variable.
De esta forma, cada vez que se ejecute un procedimiento analtico o grfico, SPSS ponderar a cada
una de las restantes variables con los valores de la columna de las frecuencias absolutas. Esta
condicin seguir vigente hasta que se cambie por otra o se desactive la ponderacin. Se observar el
texto Weight On en la barra de tareas para alertar de esta situacin.
42
Jorge Carlos Carr
I Una variable
2. Procedimiento Frecuencias
Split File
Figura 1-31
El procedimiento Split File (Segmentar casos) se utiliza para obtener anlisis estadsticos
separados para cada nivel de una determinada variable. Seguir Data > Split File> elegir
Compare groups u Organize outputs by groups > pasar esa variable a la lista activa.
Si se elige Comparar grupos los resultados se presentan juntos en una sola tabla. En cambio con
Organizar resultados por grupos se presentan en tablas separadas. Si la salida es un
grfico, no existe diferencia pues se presentan distintos grficos.
Dado que sta ser una condicin permanente hasta que se anule (presionando el botn de opcin:
Analyze all cases, do not create groups), aparece en la barra de tareas la advertencia
Split File On.
2. Procedimiento Frecuencias
El corazn de la exploracin preliminar se encuentra en el men Analyze > Descriptive
Statistics. Aqu se observan cuatro procedimientos que centralizan esta exploracin: frecuencias,
descriptivos, explorar y tablas cruzadas. .
Los tres primeros se aplican al tratamiento univariable y se describirn a continuacin. El cuarto se
tratar en la seccin de este captulo dedicada al anlisis descriptivo multivariable (pgina 73).
Si bien los procedimientos para una variable se pueden utilizar para todo tipo de variables, el
procedimiento frecuencias es ms apto para variables categricas, en tanto que el procedimiento
explorar lo es para variables de escala.
43
Figura 1-32
Actividad
Figura 1-33
El listado de variables se puede ordenar en forma alfabtica, por el orden en que se encuentran en el
archivo o por el tipo de variable con: Edit > Options > General > Variable Lists.
En este mismo lugar se puede optar por el listado con el nombre de la variable o con su etiqueta
seguida entre parntesis por el nombre de la variable.
Volviendo al procedimiento frecuencias, para mostrar la tabla de frecuencias marcar Display
frecuency table. Se muestra la tabla de frecuencias de elementos no agrupados. Se aclara que
el valor Valid Percent que se observar en los resultados, se calcula excluyendo los valores
missing (ver Apndice A).
44
Jorge Carlos Carr
I Una variable
2. Procedimiento Frecuencias
Seleccionar la informacin que se desee contenida dentro de los tres botones: Statistics,
Charts y Format.
Statistics
Tener muy en cuenta que el SPSS obedece rigurosamente a las indicaciones del usuario y por lo tanto
no advierte si se le piden medidas sin sentido para una variable numrica que codifica a una variable
cualitativa, como por ejemplo, mediana de colores, percentiles de lugares de nacimiento, frecuencias
acumuladas de variables nominales o diagrama de barras de salarios. Es el usuario el que debe tener
criterio estadstico para solicitar las medidas ms adecuadas al tipo de variable.
Aclaraciones
La varianza es la muestral (el divisor es n1)
S.E.Mean es el error estndar de la media (sigma de la media y se ver en el captulo 5)
Clculo SPSS de los percentiles p:
1) Clculo de la posicin
SPSS calcula primero la posicin con p(n+1).
2) Clculo del percentil
Se descompone el resultado anterior en una parte entera I y una parte decimal D (si la parte
entera es 0 o n, el percentil es directamente el primer valor o el ltimo, respectivamente. Esto se
presenta cuando el nmero de divisiones dado por p es mayor que n+1. Por ejemplo si n+1=4 y se
divide en quintiles, el primer quintil se encontrara en la posicin 0.8 y el ltimo en la posicin
3.2)
Luego calcula cada percentil con la siguiente media ponderada de los valores XI y XI+1:
XI*(1D) + XI+1*D El valor puede ser entero o decimal.
Para verificar este resultado, el lector deber previamente ordenar los valores de la variable con un
clic derecho en el encabezamiento de la columna > Sort Ascending.
Este clculo coincide en general con la expresin por interpolacin que utilizamos en el clculo
manual.
Charts
Si la variable es de escala y se desea mostrar el histograma marcar Histograms
Si es categrica y se desea mostrar el diagrama de barras o el circular marcar Bar Charts o Pie
Charts
Format
Order by: para elegir el orden en la tabla de frecuencias
Multiple Variables: Si se eligieron varias variables en el cuadro original, en este panel se
puede elegir como presentar los estadsticos: Compare Variables para colocarlos en una misma
tabla y Organize outputs by variables para colocarlos en tablas separadas.
La tabla de frecuencias no es muy til cuando es muy larga. Debido a esto es preferible optar por
agrupar los datos. Para esto es necesario previamente recodificar la variable en otra definiendo a mano
los lmites de los intervalos, lo cual se ver en el procedimiento recode al final de este apartado.
Elegir una variable de escala y pedir el histograma. Se generan las salidas solicitadas en el visor.
Vamos a editar el histograma ajustando su diseo con un nmero de intervalos aproximadamente igual
a n = n (ajustado al entero ms cercano) pero nunca menor que 5 o mayor que 20. Para ello activar
el grfico con: un doble clic sobre l (si no se abri tambin la ventana propiedades, presionar el botn
) > doble clic en cualquier barra > Binning > Custom. Elegir Number of intervals
o Interval width (ancho del intervalo) segn se desee y fijar el lmite inferior del histograma con
Custom value for anchor.
Con el botn
45
La edicin que se ha realizado en el histograma solo tiene vigencia para ese grfico. Se puede realizar
esa agrupacin de valores en el mismo editor de datos y poder as utilizarla para cualquier
procedimiento? Si. Este proceso se llama recodificacin y tiene mltiples utilidades.
Recodificar
Existen 4 comandos en el SPSS que permiten recodificar una variable en si misma o en otra,
asignndole a cada caso un cdigo numrico. Estos comandos se encuentran concentrados en la parte
central del men Transform (figura 1-34):
Figura 1-34
Procedimiento Recode: Elegir una variable del archivo que requiera ser dividida en intervalos de
frecuencias. Generaremos otra variable con esta nueva recodificacin.
Ir a Transform > Recode > Into Differents Variables > Seleccionar la variable,
nombrarla y etiquetarla > Change > Old and New Values > Definir cada uno de los intervalos
de frecuencias con Range (figura 1-35) y colocar el nuevo cdigo de cada intervalo con New Value
> Add. Si la variable es categrica recodificar con nmeros arbitrarios para crear su nuevo valor por
16
EnlaversinSPSS11.0colocalosvaloresoriginalescomoetiquetasdelosvaloresdelavariablegenerada.
46
Jorge Carlos Carr
I Una variable
2. Procedimiento Frecuencias
Figura 1-35
Para que en los grficos y tablas aparezca el nombre que se desee, se debe etiquetar luego a cada una
de las mismas.
Para etiquetar el nombre de la nueva variable y sus niveles con los lmites de cada intervalo como por
ejemplo: menor10, 10-20, 20-30,. se puede:
Utilizar las columnas Label y Values del editor de variables (Apndice A).
Utilizar la opcin Label en el cuadro de dilogo que se presenta al recodificar en distintas
variables. No se puede en este caso, etiquetar sus niveles.
Actividad
Procedimiento Visual Binning: Elegir una variable del archivo que requiera ser dividida en
intervalos de frecuencias. Generaremos otra variable con esta nueva recodificacin.
Ir a Transform > Visual Binning. Elegir la variable > Continue.
Figura 1-36
47
Se presenta el histograma que SPSS crea por defecto, nombrarla y etiquetarla llenando los cuadros
Name y Label de la figura 1-36.
El comienzo de cada intervalo es cerrado, pero se puede elegir el carcter de los extremos superiores
de los intervalos, cerrados o semiabiertos, con los botones Included (<=) o Excluded (<).
Presionar Make Cutpoints. Se presentan 3 opciones automticas para generar los nuevos
intervalos (figura 1-37): intervalos iguales, frecuencias iguales o basados en la media y la desviacin
estndar (es decir los correspondientes a z igual a 1, 2 o 3).
En el sector de intervalos iguales, definir los intervalos de frecuencias llenando dos de los tres
campos. Se presentan los intervalos definidos por el lmite superior de cada uno.
Dado que se deben determinar los finales de cada intervalo, para poder definir el comienzo del
primer intervalo comenzar con un intervalo que no contenga valores tal que su extremo superior
sea el mayor valor posible. Por ejemplo si el menor valor de los datos es 2, colocar 2 si el extremo
superior es abierto y 1.99 si es cerrado (en ambos casos el 2 pertenecer al segundo intervalo).
El ltimo intervalo es HIGH y contiene todos los valores superiores al ltimo punto de corte.
Observar adems que al comenzar con un intervalo vaco, el nmero de puntos de corte coincide
con el nmero de intervalos deseado
Si se desean lmites superiores particulares en cada intervalo, conviene elegir aqu el nmero de
intervalos y luego editar cada valor al regresar a la ventana anterior. Presionar Apply.
Para crear intervalos para iguales percentiles (similar al diagrama de caja para los cuartiles),
seleccionar: Equal Percentiles Based on Scanned Cases y llenar uno de los dos
campos.
Finalmente, para crear intervalos para valores enteros de z, seleccionar: Cutpoints at Mean
and Selected Standard Deviation Based on Scanned Cases y elegir una de las
tres opciones.
Figura 1-37
48
Jorge Carlos Carr
I Una variable
2. Procedimiento Frecuencias
Edicin
Habiendo creado los intervalos, se pueden editar los lmites superiores de cada uno arrastrando las
lneas azules con el mouse, o editando los campos de las cajas de texto con el teclado (figura 1-38). Se
pueden eliminar arrastrndolos fuera del dibujo o con un clic derecho en las cajas de texto. Tambin se
pueden agregar nuevos intervalos luego del ltimo, tipendolos en la caja de texto.
Si se encuentra algo familiarizado con la sintaxis, es clarificador observar la que se crea con este
procedimiento (presionando Paste en el botn inferior).
Figura 1-38
Los valores de la nueva variable ordinal (Binned Variable) sern nmeros enteros indicativos de
la posicin ordenada de cada intervalo (en valores descendentes con Reverse scale). Por lo tanto
es muy conveniente presionar Make Labels para crear niveles descriptivos del comienzo y fin de
cada intervalo.
Si luego se desean utilizar las marcas de cada intervalo en lugar de los enteros, se debern cambiar los
enteros con la columna Values, de la Vista de Variables.
Verificar que la nueva variable tiene un nombre y presionar OK para generarla. Luego pedir el
histograma de esta variable (en realidad ser un grfico de barras pues la nueva variable es ordinal).
Compute
Permite crear o transformar variables mediante funciones aritmticas, lgicas, operadores relacionales,
etc. (con o sin una condicin lgica).
Por ejemplo vamos a formar una nueva variable con la frmula para hallar z: Transform >
Compute Variable > escribir la frmula de z en el cuadro de texto para lo cual se deben tener los
valores de x y de s. Presionar OK.
Como se observa, se realizan las operaciones por filas (para obtener algunos clculos por columna, se
puede usar el comando Aggregate tal como se ver en el punto siguiente).
Condicional If
Veamos un ejemplo utilizando una relacin lgica condicional con el botn If. Estas instrucciones
son aplicables a otros procedimientos del men Transform que tambin contienen el botn If tal
como Recode y Count Values.
Previamente crear una variable edad con algunos valores 1. Supongamos que se desea convertir esos
1 en 6. Teclear edad en Target Variable y 6 en Numeric Expression. Presionar el botn
If. En la ventana que se presenta, presionar Include if case satisfies condition y
49
colocar la condicin: edad =1 (se puede hacer un clic en el nombre de la variable en lugar de
teclearla) > Continue. Al volver a la ventana original y observar que la situacin completa se puede
leer:
edad = 6, si edad = 1, es decir si la edad es 1, la convierte en 6.
Presionar OK y aceptar la advertencia de que se cambiar el contenido de la variable.
Debe aclarase que solo se cambian los valores que cumplen la condicin. Si no se cumple la
condicin, la variable tendr el valor anterior, si la variable ya exista. Esta advertencia es importante,
pues si se repite el procedimiento, el resultado no reflejar la nueva condicin, ya que se repetirn los
valores anteriores que no sean reemplazados. Para evitarlo, crear una nueva variable.
Figura 1-39
Aggregate
El comando Aggregate, realiza un resumen estadstico (media, suma, etc) de una variable, es decir
por columnas.
Data > Aggregate
Se coloca la variable (puede ser ms de una) en Summaries of Variables. Luego se puede
cambiar la funcin resumen presionando Function.
Requiere que se elija una variable en Break Variable(s), para realizar esta operacin por cada
nivel de la misma. Naturalmente, si se deseara obtener el resumen para todos los valores de una
variable, se puede crear otra variable que tenga solo tenga solo un valor y colocarla en Break
Variable(s).
50
Jorge Carlos Carr
I Una variable
3. Procedimiento Descriptivos
Figura 1-40
3. Procedimiento Descriptivos
Analyze > Descriptive Statistics > Descriptives > seleccionar la variable de la
lista y con un doble clic o con los botones de flecha desplazarla a la lista activa > seleccionar la
informacin que se desee en el botn Options > Continue > OK
Contiene estadsticos numricos similares a los de los procedimientos frecuencia y explorar. La
particularidad es la opcin Save standardized values as variables en la ventana
Descriptives. Esta opcin genera en el editor, la variable z correspondiente a las variables que se
seleccionen.
4. Procedimiento Explorar
Ejecutar: Analyze > Descriptive Statistics > Explore > seleccionar la variable de
la lista y con un doble clic o con los botones de flecha desplazarla a la lista Dependent List. La
variable colocada en Factor List divide al procedimiento de acuerdo a los niveles de esta
variable. Si se coloca ms de una variable repite esta divisin en forma independiente de la anterior.
51
Figura 1-41
Statistics
Descriptives Similares a los ya vistos, con el agregado de los intervalos de confianza que se
estudiarn en el captulo 5
MEstimators Estimadores de posicin de mxima verosimilitud (maximum-likelihood
estimators
Outliers Presenta los 5 valores extremos, ms altos y ms bajos.
Percentiles Presenta los percentiles 5, 10, 25, 50, 75, 90 y 95. Si se edita la sintaxis (botn
Paste en la ventana Explore) se pueden aplicar distintos criterios para calcularlos. Para una
descripcin tcnica de estas alternativas, ver la introduccin a la sintaxis en el apndice A y el
manual SPSSbase.pdf pgina 344 (Base de datos).
Plots
52
Jorge Carlos Carr
I Una variable
4. Procedimiento Explorar
xx
es una recta en
s
los ejes x, z.
Detrended Normal QQ Plot 17, coloca en el eje y las desviaciones entre los
valores esperados y observados. Con este grafico se detectan patrones y desviaciones con
ms facilidad.
Spread vs. Level with Levene Test.
Pruebas y grficos tiles para controlar la homogeneidad de varianzas. Solo est activa si se ha
introducido una variable categrica (para desagregar por grupos a la variable de escala) en la caja
Factor List.
Se puede elegir previamente una transformacin de los datos, para mejorar la homogeneidad de
varianzas. Power estimation produce un plot del logaritmo natural de la AIC (spread)
versus el logaritmo natural de la mediana Q2 (level) y una estima de la potencia necesaria (1
pendiente) a la cual elevar los datos para una transformacin que produzca la homogeneidad de
varianzas. Haciendo un clic en Transformed, se puede elegir la transformacin que se desee,
dentro de las alternativas existentes (logaritmo natural (exponente 0), cuadrado, raz cuadrada,
cubo, recproca y recproca de la raz cuadrada). Untransformed significa exponente 1.
Para la transformacin elegida entrega el test estadstico de homogeneidad de varianzas de Levene
(se estudiar en el captulo 5, pgina Levene5).
o
Options
Exclude cases listwise Los casos con valores missing en alguna de las variables,
son excluidos de todos los clculos
Exclude cases pairwise Los casos con valores missing en alguna de las variables,
son excluidos solo en los clculos de esa variable
Report values Si se han colocado variables en la caja de texto Factor List, los valores
missing, de todas las variables, tanto definidos por el sistema como por el usuario, son
incluidos y rotulados en una categora separada llamada missing, tal como se observa en la
figura 1-42.
Figura 1-42
Procedimiento explorar: Analyze > Descriptive Statistics > Explore > mover la
variable a la lista activa> Plots > Stem & Leaf. > Continue > OK.
17
Trendestendencia,porlotantodetrendedsignificalaremocindelatendencialineal.
53
Diagrama de caja
Actividad
Repetir el Procedimiento explorar > Boxplots. Editar luego este grfico estndar activndolo con
doble clic (por ejemplo rotar los ejes con el botn
system).
Figura 1-43
Con una O, SPSS marca los casos que caen entre 1.5 y 3 AIC desde el extremo de la caja (casos
extremos), y con un * marca los casos que estn a mas de 3 AIC del extremo de la caja (casos ms
extremos).
El diagrama de caja tambin puede solicitarse con el men Graphs, como se ver en el apndice A.
Actividad
Para ocultar o mostrar cual es el nmero del caso que corresponde a cada asterisco activar el grfico
con un doble clic y presionar el botn
. Luego se deber ir al editor de datos para leer el valor de
la variable correspondiente al caso. Si se desean visualizar en una tabla los 5 casos extremos de cada
lado seguir el Procedimiento explorar > Statistics > Outliers.
a) Alternativa extrema: eliminar el dato de la celda con Delete (verificar cmo hacerlo pero evitar
aplicarla).
54
Jorge Carlos Carr
I Una variable
4. Procedimiento Explorar
2 =
(no ne )2
R2
= n
ne
ne
En esta ecuacin:
no: frecuencia observada
ne: frecuencia esperada
Rn: Residuo
Si bien esta ecuacin responde a una demostracin matemtica, pueden reconocerse algunas
caractersticas distintivas.
18
Losvaloresqueresultandeestaecuacinpertenecenaunadistribucintericaconocidaytabulada,cuyo
estudioserealizarenelcaptulo3.
55
En forma similar a la definicin de la varianza, no interesa el signo de las diferencias, pues estn al
cuadrado.
Es un indicador adimensional.
No requiere de ninguna medida de posicin, dispersin o forma, las que si son necesarias en los
otros problemas que estudiaremos en el captulo 5.
En este libro denominaremos a esta ecuacin de la bondad del ajuste (el cual es medido por esas
diferencias).
Medidas simtricas
Qu valores de chi-cuadrado debemos considerar para saber si la bondad del ajuste a los valores de la
hiptesis poblacional es buena o no?
Si 2 es cero, todos los sumandos de la ecuacin previa, deben ser cero (pues ninguno puede ser
negativo). Esto significa que las frecuencias observadas de todos los eventos son iguales a las
esperadas por la hiptesis y la bondad del ajuste es perfecta.
En cambio como puede tener cualquier valor mximo, aunque siempre positivo, definiremos a
continuacin un grupo de medidas que acotan el lmite superior y que, por lo tanto, nos permitirn
acercarnos mejor al comportamiento de la muestra respecto de la poblacin hipottica.
Coeficiente de contingencia, C
Para tener un coeficiente que se encuentre comprendido entre 0 y 1, se define:
C=
2 + n
0 C <1
Analizando el contenido de las ecuaciones anteriores, se puede concluir que, para un tamao muestral
dado:
2
si = 0 , C = 0 , existe ajuste perfecto.
2
si es muy grande (en el lmite infinito), C 1 , indicando falta de ajuste.
Coeficiente
Se define como:
2
n
( fo fe )2
f
e
2
si , el valor mximo que puede tener es infinito.
Relaciones
Operando algebraicamente se obtienen las siguientes relaciones entre ellos:
C=
2
2 +1
C2
1 C2
56
Jorge Carlos Carr
I Una variable
4. Procedimiento Explorar
A partir del valor mximo de cualquiera de ellos, por ejemplo infinito para , se puede ahora
demostrar que el mximo de C es 1 y viceversa.
SPSS
Analyze > Nonparametrics Tests > Legacy Dialogs > Chi-Square.
Compara la frecuencia absoluta observada en cada una de las 2 categoras (no es necesario recodificar)
con los valores esperados que se definen en la seccin Expected Values (Valores Esperados), en
la parte inferior de la ventana.
Expected Values
z
3
2
1
0
1
2
3
x
0.36
2.13
3.9
5.67
7.74
9.21
10.98
Figura 1-44
Notas de Estadstica. Conversin z-x
El histograma se muestra en la figura 1-45.
57
Captulo1 E
Estadstica De
escriptiva
Figura 1-45
Notas de Esttadstica. Histoograma x- z
SPSS
Nota
Este priimer problemaa resuelto con el
e SPSS exige cconocer los pro
ocedimientos bbsicos con estee software, porr lo
cual, si no est familiaarizado con l, releer las instrrucciones de laa pgina 39 y eel apndice A.
Abrir ell archivo Univ
versidad. sav y correr eel Procedimi
iento Frec
cuencias (ppgina 43).
b)
Problema x,z =>
> fx
Hallar la
l cantidad de alumnos
a
que no
n se separan ms
m de 2 desviaaciones estndaar de la media.
Pasandoo a valores x, esta
e pregunta es
e equivalente a hallar la frecu
uencia absolutaa en el intervallo:
2.13 x 9.21
0.87
1
0.21
1
Por lo tanto
t
la frecuen
ncia en el interv
valo pedido serr:
58
Jorg
ge Carlos Carrr
I Una variable
4. Procedimiento Explorar
1
Por lo tanto el valor pedido en x es:
11
18
x = 5 + 0.61 = 5.61
y el valor en z ser:
z=
5.61 5.67
= 0.034
1.77
Nota
Si se hubiera pedido el P50, es decir la mediana, se hubiera obtenido 5.55. Si se compara con el valor 5.3 del
SPSS de la figura 1-22 (pgina 32), se aprecia una diferencia. Esta es debida que el SPSS, no agrupa en
intervalos para realizar los clculos (no lo necesita), y por lo tanto el valor 5.3 proviene de la expresin de la
mediana para datos sin agrupar.
SPSS
Abrir el archivo Universidad. sav y correr el Procedimiento Frecuencias (pgina 43),
solicitando el percentil 52. Para generar los valores z, correr el Procedimiento Descriptivos (pgina
51) y tildar Save standarized values as variables (Guardar valores estandarizados como
variables).
d) Dado que esta pregunta contiene parte de uno de los problemas que resolveremos en el captulo 5,
comenzaremos a utilizar la estructura de 5 pasos detallada en la Introduccin, aunque se utilice solo en forma
parcial.
Paso 1 Problema
Comparar formas de las distribuciones.
Paso 2 Modelo
Distribucin chicuadrado. Si bien esta distribucin se aprender en el captulo 3, podemos calcular en el paso 4
el valor muestral de 2 si la bondad del ajuste corresponde a las frecuencias de la variable categrica sexo, bajo
la hiptesis de que la distribucin de frecuencias de la poblacin tiene los dos valores iguales.
Paso 3 Diseo
Tamao de la muestra: 52. Este valor surge de las ecuaciones de diseo que se estudiarn en el captulo 5.
Paso 4 Anlisis
Utilizamos solo las herramientas de la estadstica descriptiva.
Los valores observados y esperados, son:
Varn
Observados 33
Esperados
26
Mujer
19
26
Figura 1-46
Por lo tanto:
2 =
C=
2
+n
2
Coeficiente
59
3.769
= 0.26
3.769 + 52
C2
0.262
=
= 0.27
1 C2
1 0.262
SPSS
Cargar los valores en una variable que llamaremos Sexo con solo 2 niveles: 1 (Varn) y 2 (Mujer). Definir otra
variable Frecuencias y colocar los valores 33 y 19 respectivamente. Utilizar Weight Cases (pgina 42).
Luego ejecutar el procedimiento correspondiente a 2:
Analyze > Non Parametric Test > Chi-Square. Pasar la variable Sexo al panel derecho y
verificar que est tildado All categories equal (Todas las categoras iguales). OK.
SPSS devolver el valor 3.769, calculado anteriormente.
Repaso
En esta parte del captulo estudiamos procedimientos orientados a resumir datos, sea en forma grfica
o numrica. Luego de estudiar este tema, el alumno deber ser capaz de desarrollar las siguientes
habilidades:
Resumir datos construyendo una distribucin de frecuencias en forma de tabla, diagrama de
barras, diagrama de sectores circulares, diagrama de tallo y hojas, histograma, ojiva y diagrama de
caja. El tipo de variable determinar cuales de estos grficos es ms adecuado, as por ejemplo en
una variable de escala no es apropiado usar un diagrama de barras o circular.
Calcular medidas de tendencia central como la moda, la mediana o la media aritmtica.
Calcular medidas de dispersin como la amplitud, la desviacin media, la varianza o la desviacin
estndar.
Calcular medidas de deformacin horizontal y vertical.
Comprender la desviacin estndar a partir del teorema de Tchebysheff.
Comparar valores de puntuaciones z, cuartiles, quintiles, deciles o percentiles.
Adems de realizar estos clculos es importante que el alumno comprenda e interprete estos
resultados. As por ejemplo con el diagrama de caja debe poder distinguir entre valores extremos y los
que no lo son.
De particular inters resultan las reglas del suceso poco comn para comprender la esencia de las
pruebas estadsticas del captulo 5. Si se presenta un suceso poco comn no esperable por azar, es
razonable suponer que deban rechazarse algunas de las suposiciones iniciales.
60
Jorge Carlos Carr
II Dos variables
Introduccin
II Dos variables
Ms de una variable aleatoria conforma un ente matemtico llamado vector, en este caso vector
aleatorio.
r
Y = (Y1 , Y2 ,...Yn )
En esta seccin trataremos esencialmente vectores aleatorios de dimensin 2.
r
Y = (Y1 , Y2 )
Introduccin
Antes de recorrer los problemas estadsticos de inters, definamos las proporciones y las razones.
Proporciones
Las proporciones (proportions) o tasas (rates), se definen para una o ms variables y consisten en
dividir cada cantidad por algn total, Se expresan en decimales (respecto de 1) o en tanto por ciento
(respecto de 100). Un claro ejemplo de stas, son las frecuencias relativas ya estudiadas al comienzo
de este captulo y las probabilidades que estudiaremos en el captulo 2.
Razones
Son los cocientes que resultan de dividir 2 magnitudes similares pertenecientes a variables distintas, a
tambin a la misma variable pero en distintas circunstancias de espacio o tiempo o incluso a 2
proporciones. Ejemplos en economa son las tasas y los nmeros ndice.
Nmeros ndices
Esta aplicacin de las razones es muy utilizada en economa. Considera la misma variable pero en
distintas circunstancias de tiempo. A modo de adelanto y ejemplo, los ndices simples se definen para
cada uno de los productos en estudio (por ejemplo: leche, pan, etc) y pueden ser de precios p o de
cantidades q. Consisten en dividir los precios pn o cantidades qn de cada perodo de n estudio, por el
precio p0 o cantidad q0 de un perodo tomado como referencia.
Ip =
pn
p0
Iq =
qn
q0
61
R=
A
S
Es el cociente entre la media del numerador de la razn y la media del denominador de la misma.
WR =
SR
A Ai Si Ri
=
=
= i = wi Ri
S Si
Si
Si
En forma equivalente es el cociente entre sus sumas o es la suma de las razones ponderadas por el
denominador.
Confrontar con la media:
R=
R
n
Ai
ndice de regresividad
PRD =
R
WR
SPSS
Analyze > Descriptive Statistic > Ratio.
Entrar la variable del numerador, la del denominador y en forma optativa, una variable categrica para
desagregar (separar) los resultados por esta variable.
62
Jorge Carlos Carr
II Dos variables
1. Mtodos Tabulares y Grficos
Nmero de hermanos.
Nmero de libros.
f xy = f ( x, y ) = f ( X = x, Y = y )
nxy = n( x, y ) = n( X = x, Y = y )
Para no interferir con la notacin de funcin densidad conjunta que se estudiar en el captulo 3, se
preferir la notacin con subndices, especialmente para la frecuencia relativa.
En nuestro ejemplo, llamemos:
x: al eje sexo
y: al eje Carrera
Figura 1-47
63
2D
El diagrama de barras de la figura 1-48, se obtiene proyectando el diagrama 3D sobre el plano nXY-x.
Por la disposicin de las barras se llama clustered (agrupado)
Figura 1-48
El diagrama de barras de la figura 1-49, es el mismo diagrama de la figura 1-48, con otra disposicin
de las barras, llamada stacked (apilado).
64
Jorge Carlos Carr
II Dos variables
a. Cualitativa * Cualitativa (por lo menos)
Figura 1-49
Tabla de Contingencias
El diagrama de la figura 1-50, se obtiene proyectando el diagrama 3D sobre el plano x-y. En realidad
es una tabla, llamada de contingencias o tabla cruzada. En cada celda se encuentra la frecuencia
absoluta observada nXY.
Figura 1-50
Se puede apreciar que en esta tabla hay 3 distribuciones: la conjunta XY, la marginal X y la marginal
Y, cuyas frecuencias se encuentran en los mrgenes (totales) de la tabla.
En la figura 1-51, se presenta la frecuencia relativa total de cada cruce fXY. Su valor surge de dividir
nXY/n, y luego multiplicar por100.
Figura 1-51
El valor de una celda cualquiera se lee por ejemplo as (observar el conectivo y para expresar la
conjuncin):
El 13.5% del total es Mujer y sigue la carrera Administracin.
Distribuciones marginales
Las ecuaciones de clculo sern:
nx = nxy
y
n y = nxy
x
f x = f xy
y
f y = f xy
x
Estas expresiones son versiones resumidas para indicar la obtencin el resultado de cada celda. Por
ejemplo, la expresin completa de f x =
f
y
65
xy
es: f ( X = xi ) =
f ( X = x ,Y = y ) .
j =1
Frecuencias acumuladas
Generalizando las expresiones univariables, se tiene:
x
N xy = nxy
x
Fxy = f xy
o tambin:
Fxy = f xy ( X x, Y y )
siendo fxy la frecuencia relativa correspondiente al intervalo indicado.
La tabla de valores CDF, se muestra en la figura 1-52.
Nxy
x: Sexo
Varn Mujer Total
16
26
26
Economa
28
45
45
Administracin
y: Carrera
33
52
52
Contabilidad
33
52
Total
Figura 1-52
Observar que las frecuencias acumuladas marginales Fx y Fy , coinciden con la fila o columna
contigua, respectivamente, pues:
Fx (a ) = f ( x a, y )
Fy (b) = f ( y b, x)
Teorema
Obtener:
a1 < a2 , b1 < b2
fxy
x
a1
a2
b1
b2
Figura 1-53
66
Jorge Carlos Carr
II Dos variables
a. Cualitativa * Cualitativa (por lo menos)
Distribuciones condicionales
Son las frecuencias que surgen luego de definir previamente una condicin para el total.
Perfil Columna
Es el porcentaje dentro de cada columna. Por lo tanto sus valores surgen de dividir el valor de la
frecuencia conjunta de cada celda por el total de cada columna.
Matemticamente:
f y| x =
nxy
nx
f xy
fx
en donde y|x, se lee "y dado x". Debe observarse que la notacin contiene los nombres de las variables
x e y, pero la relacin se establece entre los niveles de esas variables.
La tabla del perfil columna es la que se observa en la figura 1-54.
Figura 1-54
Carre ra
100.0%
Carrera Economa
Carrera Admi ni stracin
Carrera Contabili dad
Values
75.0%
48.5%
52.6%
50.0%
25.0%
36.4%
36.8%
15.2%
10.5%
Sexo Varn
Sexo Mujer
0.0%
Se xo
Figura 1-55
Perfil fila
Es el porcentaje dentro de cada fila. Por lo tanto sus valores surgen de dividir la frecuencia conjunta
por el total de cada fila.
Matemticamente:
67
f x| y =
nxy
ny
f xy
fy
Figura 1-56
Carre ra
Carrera Economa
Carrera Admi ni stracin
Carrera Contabili dad
Values
150.0%
61.5%
100.0%
63.2%
38.5%
50.0%
36.8%
71.4%
28.6%
Sexo Varn
Sexo Mujer
0.0%
Se xo
Figura 1-57
Razones
Habiendo recorrido varias proporciones, veamos ahora algunas razones definidas en la asociacin de
variables.
68
Jorge Carlos Carr
II Dos variables
a. Cualitativa * Cualitativa (por lo menos)
x
Total
E F
s1
1 a b
y
s2
2 c d
Total sE sF
Figura 1-58
RR =
a / (a + b) a / s1
f
=
= 1
c / ( c + d ) c / s2 f 2
RD =
a c
= f1 f 2 = f
s1 s2
Se expresa en tanto por ciento o en tanto por uno. Adems de ser la ms empleada para presentar
resultados clnicos, ser utilizada extensamente en el captulo 5 bajo el nombre de p (pgina
DeltapA5).
OE 1 =
a
b
OF 1 =
c
d
El subndice 1 indica el valor que va en el numerador. Se pueden definir en forma anloga las
posibilidades inversas. Esto depender de cul de ellas interese en el estudio.
Las posibilidades de fila se definen en forma similar.
ORx =
Una expresin equivalente es:
69
a/c a/b
=
b/d c/d
ORx =
ad
cb
Su interpretacin es similar al RR pues si, como sucede en medicina, el nmero de pacientes sanos
(enfermedad ) es mucho mayor que el de enfermos (enfermedad +):
a+b
c+d
b
d
Puede tomar cualquier valor positivo, pero los valores menores que 1, indican un efecto protector, en
tanto que los mayores a 1, un efecto riesgo.
Dado que el segundo miembro no se altera si se multiplica el numerador y el denominador por el
mismo factor, puede concluirse que cada una de las frecuencias absolutas puede ser reemplazada, o
bien por las frecuencias relativas o bien por las frecuencias condicionales de cualquier perfil. Si
llamamos a estas ltimas p y q (siendo q = 1p), resultan las siguientes expresiones, muy utilizadas en
probabilidades:
O=
OR =
p
q
p1 / q1
p2 / q2
Con esta expresin, OR ser similar a RR cuando los q sean cercanos a 1. En medicina esto se
presenta nuevamente cuando el nmero de pacientes sanos sea mucho mayor que el de enfermos.
Estas expresiones pueden aplicarse a cualquiera de los perfiles y se pueden generalizar a tablas de 2k.
A modo de ejemplo, supongamos que a partir de determinada edad, la proporcin condicional de
muerte dentro de los varones es del 80% (la de vida ser 20%). El odd de muerte de los varones es:
0.8/0.2 = 4 o 4:1.
Supongamos que en el caso de las mujeres la posibilidad de muerte es de 70% (la de vida ser 30%).
El odd de muerte de las mujeres es: 0.7/0.3 = 2.33 o 2.33:1.
El OR de los varones respecto de las mujeres es entonces OR = 4/2.33 = 1.71. Este nmero significa
que la posibilidad de muerte de los varones es 1.71 (171%) ms alta que la de las mujeres.
Nota
Puede observarse que las 3 medidas: DR, RR y OR, dependen exclusivamente de f1 y f2, y que si se conoce
alguna de estas 2 proporciones y cualquiera de las 3 medidas, se puede calcular la otra proporcin y las 2
medidas restantes.
f x| y = f x
19
Enestecaptuloestamosmsinteresadosenanalizarmuestrasdepoblacionesdesconocidas.Siseconociera
lapoblacin,setrabajaraconlasfuncionesdedistribucindecadavariableylaconjuntaentreambas(captulo
3).
70
Jorge Carlos Carr
II Dos variables
a. Cualitativa * Cualitativa (por lo menos)
f x| y =
f xy
fy
resulta:
f xy = f x f y
Esta expresin se llama Regla del Producto y se corresponde con la expresin similar que veremos en
el captulo 2, pgina independencia2. Permite obtener las frecuencias esperadas en cada celda para
que ambas variables sean estadsticamente independientes, si se conocen las frecuencias marginales.
La simetra de la ecuacin nos indica adems que si se despeja fy, se obtiene la independencia de y|x,
es decir la independencia es una propiedad dual.
La Regla del Producto tambin se puede expresar en funcin de las frecuencias absolutas.
Reemplazando las frecuencias relativas por su definicin, se obtiene:
nxy =
nx n y
n
y tambin:
nxy = f x n y = f y nx
La tabla de la figura 1-59 muestra las frecuencias esperadas para variables independientes, las cuales
fueron obtenidas a partir de la figura 1-50. La diferencia con las frecuencias observadas de la figura
1-50, permitir ms adelante (mtodos numricos nominal * nominal, en pgina 81), establecer un
criterio para analizar la independencia entre las variables.
Figura 1-59
Si se obtienen ahora los perfiles fila y columna, como se muestra en la figura 1-60, se puede verificar
que todos los perfiles fila son iguales entre s y lo mismo se verifica para los perfiles columna (las
diferencias de la figura se deben a los redondeos).
Figura 1-60
Esto es intuitivamente razonable pues justamente la independencia implica que la distribucin relativa
marginal, por ejemplo f x , debe ser igual a la distribucin del perfil f x| y . Anlogamente para el otro
perfil. Esta propiedad tambin puede corroborarse mediante un anlisis matemtico. Si se coloca en
cada celda el resultado de la ecuacin:
71
nxy =
nx n y
n
y luego se divide por nx si se trata del perfil dentro de x (o ny si se trata del perfila dentro de y), todos
los valores de una fila de los perfiles columna resultaran iguales (y anlogamente todas las columnas
de los perfiles fila).
Nota
Observar que el conocimiento de la distribucin conjunta, permite siempre obtener las distribuciones
marginales, pero no a la inversa, excepto que, como en este caso, las variables sean independientes.
Si la expresin anterior se verifica solo en una celda, entonces los eventos cruzados (fila por columna,
por ejemplo Mujer y Economa), son independientes.
Independencia de variables
En cambio si toda la tabla verifica la ecuacin, entonces ambas variables (por ejemplo Sexo y Carrera)
son independientes. Dado que, conocidos los totales marginales, solo pueden ser elegidos libremente
el nmero de columnas menos 1 ( c 1 ) y el nmero de filas o renglones menos 1 ( r 1 ), basta que la
condicin de independencia la cumplan el cruce de estas celdas. Esto puede demostrarse
matemticamente.
A modo de ejemplo, sea la siguiente tabla de 43 y analicemos la primera fila en la cual suponemos
que los eventos A-1 y A-2 son independientes. Demostraremos que entonces el evento A-3 es tambin
independiente.
x
2 3
A
B
y
C
D
T
Figura 1-61
nA n1 nA n2
n
n
n
n
nA3 = nA A (n1 + n2 ) = nA A (n n3 )
n
n
n n
n n
n A3 = n A n A + A 3 = A 3
n
n
nA3 = nA nA1 nA 2 = nA
El mismo procedimiento puede aplicarse a todas las filas y columnas sombreadas ( r 1)(c 1) , lo
cual demuestra la hiptesis.
Independencia y Homogeneidad
La expresin de independencia entre las variables x e y:
f x| y = f x
contiene en s misma, relaciones entre los niveles de esas variables. En el ejemplo anterior, stas son:
72
Jorge Carlos Carr
II Dos variables
a. Cualitativa * Cualitativa (por lo menos)
y = f ( x)
En cambio, tal como se ver en el captulo 3, dos variables son estadsticamente dependientes si (f
significa funcin densidad):
f ( x | y ) = f ( x)
Figura 1-62
20
puesesfcildemostrarenformasimilaralademostracinanteriorquesilaRegladelProductosecumple
paraunodelos2niveles,entoncessecumpleparaelcomplemento.
73
Colocar una variable en Fila (Row), otra en columna (Column) y si se cruzaran ms de 2 variables,
colocarlas en capas (Layer), con lo cual se presentar una tabla para cada uno de los niveles de las
capas. A pesar de que solo puede existir una variable en fila y otra en columna, se observar que los
paneles permiten colocar ms de una variable. En el caso de colocar ms de una variable, SPSS
presentar los cruces de a 2 para todas las combinaciones posibles entre las variables colocadas en
filas y las colocadas en columnas, para cada variable colocada en capa. Si se deseara anidar las
variables colocadas en capa, se deben colocar en distintas capas, presionando previamente el botn
Next.
Statistics
Se encuentra aqu el anlisis numrico con los distintos coeficientes de correlacin que veremos luego,
entre ellos: nominal*nominal, ordinal*ordinal o escala*escala.
Cells
Desde esta opcin se pueden presentar en cada celda los valores observados, esperados, el perfil fila, el
perfil columna o el porcentaje respecto del total. Se observar que SPPS llama a los perfiles within
X (dentro de X), sin colocar la otra variable (Y dentro de X). Por esta razn cuando se cruzan ms de 2
variables (colocando las restantes en las capas), resulta conveniente completar la lectura con la restante
variable del perfil.
Si se deseara chequear el contenido de las frecuencias absolutas nXY en el editor de datos, es
conveniente primero ordenar las columnas x e y con un clic derecho en el encabezamiento de una de
las variables > Sort Ascending y repitiendo luego para la otra.
En todos los casos las tablas generadas son tablas dinmicas llamadas tablas pivote por SPSS. Con un
clic se seleccionan y con un doble clic se activan. La caracterstica que presentan, es la posibilidad de
editarlas intercambiando libremente las variables entre 3 posiciones: fila, columna y capa. Para ver
esta caracterstica hacer doble clic sobre la tabla para activarla. Con un clic derecho > Pivoting
Trays. Se presenta la bandeja de pivotes de la figura 1-63 en donde se pueden desplazar las variables
de fila, columna y capa entre s, arrastrando cualquiera de las variables entre las 3 posibles bandejas:
Row, Column y Layer. Se debe aclarar que con estas alternativas solo se cambia la presentacin de
los datos, pues stos se siguen inscribiendo dentro del contexto inicial elegido en la figura 1-62. As
por ejemplo, los perfiles fila y columna se refieren siempre a las variables colocadas en los paneles fila
y columna de la ventana de la figura 1-62. Si estas variables se llamaran A y B, seran: B dentro
de A y A dentro de B, cualquiera sea la presentacin.
Figura 1-63
74
Jorge Carlos Carr
II Dos variables
b. Cuantitativa * cuantitativa
Observar que si se coloca una variable categrica en una capa, luego podr seleccionarse cualquier
nivel de la misma, resultando equivalente al modo Select Cases > If condition is
satisfied (pgina 39) solo que circunscripto al procedimiento Crosstabs.
En el men contextual tambin se encuentran posibilidades interesantes de edicin como por ejemplo
un autoformato de tablas (TableLooks).
Actividad
Abrir el archivo Trabajo.sav . Proceder a completar los espacios en blanco del siguiente prrafo.
La muestra de este archivo procede de distintos hbitat (variable c16). En el estrato de Madrid y
Barcelona se tienen____hombres y____mujeres, lo cual hace un total de ______personas, que sobre
los 1200 de la muestra representan el ____%. Los valores esperados de las celdas Hombre/Mujer
estrato Madrid y Barcelona son respectivamente de _______ y _____. Hay ____personas en total en
el estrato menos de 2000 habitantes, de las cuales ____son hombres y ____mujeres. Las mujeres
son un ____% del total de la muestra y el estrato en donde son ms numerosas es el de
______________________, con ____unidades y un ____% del total de mujeres de la muestra. La
mayor diferencia en el porcentaje de hombres y mujeres por estrato se da en el de ______________,
siendo respectivamente de ____% y del ____%, es decir un_____% de diferencia.
Obtener los coeficientes de asociacin adecuados al tipo de variables. Existe un grado de dependencia
entre las variables? Interpretar la significacin.
Respuestas: 67-78-145-12.1%-70.2-74.8-93-46-47-51.6%-10001 a 50000 hab-144-23.3%-Madrid y
Barcelona-46.2%-53.8%-no.
Procedimiento Crosstabs
b. Cuantitativa * cuantitativa
Todo lo visto para las variables cualitativas es aplicable a las variables cuantitativas, pero dado que el
formato es en tabla de contingencias, tendr lgica para variables cuantitativas discretas o para
variables cuantitativas de escala agrupadas por intervalos. En este sentido las distribuciones conjuntas,
marginales o condicionales, no presenta ninguna variante respecto de las categricas.
Discreta * Discreta
Se refiere a variables cualitativas discretas, es decir aquellas que surgen de contar. En el ejemplo de
los 52 alumnos son El Nmero de Hermanos y el Nmero de Libros. La diferencia con las
categricas vistas hasta ahora es que en las cualitativas discretas tiene sentido la diferencia entre
valores y por lo tanto habilita a mtodos numricos ms precisos, pero todo lo visto para las
cualitativas es directamente aplicable.
La TC de las frecuencias absolutas conjuntas es la siguiente.
75
Figura 1-
Escala * Escala
Si el cruce se realiza entre variables de escala, naturalmente podran aplicarse los conceptos de las
variables categricas, previamente agrupando (categorizando) por intervalos y creando un histograma
en 3D. De lo contrario, es probable que la mayora de las celdas de cada cruce contengan una
frecuencia absoluta de 0 o 1, resultando por lo tanto una tabla sin sentido.
Resulta entonces de gran utilidad obtener un grfico sin agrupar. Al proyectar el grfico 3D (pgina
63) sobre x,y, las barras del diagrama 3D sern ahora lneas verticales y la grfica sobre el plano x-y
ser una nube de puntos llamada diagrama de dispersin. Las funciones de distribucin
(PDF) ms comunes (eje perpendicular al plano xy), se estudiarn en el captulo 3.
El cruce entre las variables, Notas de Matemticas y Notas de Estadstica, se muestra
en la figura 1-64.
Figura 1-64
76
Jorge Carlos Carr
II Dos variables
b. Cuantitativa * cuantitativa
Figura 1-65
Otra forma alternativa es: Graphs > Legacy Dialogs > Scatter/Dot.
En este caso, se puede elegir entre Simple para 2 variables, Matrix que da una matriz cuadrada
para cada combinacin de pares de variables, Overlay, que representa varios diagramas y respecto
de la misma variable x en un mismo sistema de ejes y 3-D, que da la nube de puntos para 3 variables
Figura 1-66
Presionar Define.
Colocar las variables en los ejes > OK. Observar el cuadro Label Cases by en donde se puede
colocar una variable para que con sus valores identifique a cada punto en el grfico.
Para ver la recta de regresin (que estudiaremos luego en la pgina 96), presionar el botn
.
Una tercer forma de obtener el diagrama de dispersin se logra con Graphs > Legacy Dialogs
> Interactive > Scatterplot >
77
Figura 1-67
2. Mtodos Numricos
Para las distribuciones univariables, marginales o condicionales, son aplicables las mismas medidas
vistas para 1 variable. En esta seccin ampliaremos varias de esas definiciones para la distribucin
conjunta bivariable x-y.
Medidas de posicin
a. Cualitativa * Cualitativa
No se definen medidas de posicin para 2 variables categricas.
b. Cuantitativa * Cuantitativa
Se refiere tanto a las variables cuantitativas discretas, es decir las que surgen de contar como a las de
escala.
Si bien las cuantitativas discretas o las cuantitativas contnuas agrupadas por intervalos se presentan
tambin en una TC, a diferencia de las categricas, se pueden definir la esperanza y la varianza de
cualquiera de las distribuciones involucradas: conjunta, marginales y condicionales.
78
Jorge Carlos Carr
II Dos variables
b. Cuantitativa * Cuantitativa
Vector esperanza
Es el vector aleatorio de las marginales:
( X , Y ) = ( E ( X ), E (Y ))
Este vector, tal como se indic en la pgina 24, se corresponde con las coordenadas del centro de
gravedad, CG. En el caso de las de escala, es el CG de la nube de puntos.
Esperanza condicional
E ( X | y ) = xi f ( xi | yi )
i
Esperanza conjunta
La media o esperanza conjunta, se define como una extensin de la media de una variable:
E ( XY ) =
n
x
xy
XY
= f xy XY
x
En la figura siguiente se repite la TC de las frecuencias absolutas conjuntas para el cruce de las 2
variables cuantitativas discretas del ejemplo tipo de los 52 alumnos.
Figura 1-
79
Figura 1-
E ( XY ) =
xyf ( x, y)dxdy
Medidas de dispersin
Vector varianzas
El vector aleatorio de varianzas de las distribuciones marginales ser:
(V ( X ), V (Y ))
Varianza condicional
Var (Y | X ) = E (Y E (Y | X )) 2 | X
n
n 1
n
pues en la esperanza se divide por n y como estamos procesando muestras, corresponde
n 1
dividir por n 1 .
factor
Varianza conjunta
La varianza conjunta se llama covarianza y se define como:
80
Jorge Carlos Carr
II Dos variables
Medidas de asociacin
V ( XY ) =
n
x
xy
x y
n 1
V ( X ) = (0 2.13) 2 (11/ 51) + (1 2.13) 2 (11/ 51) + ... + (6 2.13) 2 (4 / 51) = 3.374
V (Y ) = (0 1.92) 2 (11/ 51) + (1 1.92) 2 (10 / 51) + ... + (6 1.92) 2 (1/ 51) = 2.308
De las distribuciones condicionales dado el Nmero de Libros que se muestran en la tabla, por
ejemplo, la varianza condicional de Y dada X = 2, es:
52
(0 1.665) 2 (0.417) + (2 1.665) 2 (0.25) + (3 1.665) 2 (0.25) +
51
+ (5 1.665) 2 (0.083) = 2.55
V (Y | X = 2) =
Medidas de asociacin
Estas medidas se dividen, segn el tipo de variable, en 2 tipos: Independencia y
Correlacin/Regresin.
2 de Pearson
2 =
(no ne )2
R2
= n
ne
ne
Siendo:
no: frecuencia observada
ne: frecuencia esperada en el caso de independencia
Rn: Residuo
Propiedad
Dado que las frecuencias marginales son iguales tanto para los valores observados como para los
esperados, la suma de los residuos para cualquier fila o columna, debe ser nula. Por ejemplo para un
fila:
R = (n
n
fila
ne ) = n y n y = 0
Si la tabla considerada es una muestra aleatoria de una poblacin, an si las variables de la poblacin
fueran independientes, la muestra podra no serlo debido al error de muestreo (de un grupo de 60% de
81
Medidas simtricas
Qu valores de chi-cuadrado debemos considerar para saber si se trata de independencia o no?
Si 2 es cero, todos los sumandos de la ecuacin previa, deben ser cero (pues ninguno puede ser
negativo). Esto significa que las frecuencias observadas de todos los eventos son iguales a las
esperadas en caso de independencia, por lo cual las variables de la muestra seran independientes.
El otro extremo, puede tener cualquier valor mximo, aunque siempre positivo.
Definiremos a continuacin un grupo de medidas (algunas ya vistas al tratar la Bondad del Ajuste,
pgina 55) que tienen caractersticas deseables.
Coeficiente de contingencia, C
Para tener un coeficiente que se encuentre comprendido entre 0 y 1, se define:
C=
2 + n
0 C <1
Coeficiente
2
n
( fo fe )2
=
fe
V de Cramer
V = C =
2
n.
Donde es el menor grado de libertad (total 1) del nmero de celdas de fila (r) o del nmero de
celdas de columna (c), es decir:
= r 1 o c 1
Relaciones
Operando algebraicamente se obtienen las siguientes relaciones entre ellos:
C=
2
2 +1
C2
1 C2
C =
82
Jorge Carlos Carr
II Dos variables
a. Cualitativa * Cualitativa (por lo menos)
Valores lmites
Sea una tabla de contingencias rc. Sin perder generalidad podemos suponer que el menor de ambos
es r.
Coeficiente C
2
si , se demuestra que el valor mximo que puede adoptar C es C =
r 1
,
r
1
= 0.707 ,
2
2
si r = 3, el mximo de C es
= 0.816 ,
3
9
si r = 10, el mximo de C es
= 0.945 .
10
si r = 2, el mximo de C es
r 1 .
coeficientes conocidos: , C, y VC. Se obtienen los cruces de fila columna para cada nivel de la
variable capa, si sta existe.
2
83
Paso 1 Problema
Comparar formas de las distribuciones.
Paso 2 Modelo
Distribucin chicuadrado. Si bien esta distribucin se aprender en el captulo 3, podemos calcular en el paso 4
el valor muestral de 2 para las distribuciones indicadas.
Paso 3 Diseo
Tamao de la muestra: 52. Este valor surge de las ecuaciones de diseo que se estudiarn en el captulo 5.
Paso 4 Anlisis
Utilizamos solo las herramientas de la estadstica descriptiva.
2 =
C2
0.0672
=
= 0.067
1 C2
1 0.0672
0.067
C =
=
= 0.067
1
r 1
Figura 1-68
2 de Pearson
84
Jorge Carlos Carr
II Dos variables
b. Cuantitativa * Cuantitativa
Figura 1-69
Coeficientes C, y VC
Si los datos fueran poblacionales, el valor de obtenido indicara un tamao del efecto chico.
b. Cuantitativa * Cuantitativa
El cruce de variables cuantitativas involucra tanto a las discretas como a las contnuas.
Correlacin lineal
El tratamiento de condicionalidad y de independencia (relacin entre cada x,y), visto para variables
categricas, se puede extender a variables cuantitativas discretas. Para las variables cuantitativas de
escala, se pueden aplicar "categorizando" es decir agrupando en intervalos de clase para luego aplicar
los mtodos anteriores. Sin embargo, para estas variables es ms til desarrollar el concepto de
correlacin lineal (relacin entre sumatorias), en lugar de la independencia (relacin entre cada x,y),
pues como veremos luego la correlacin implica dependencia.
La correlacin lineal se basa en el clculo de la covarianza. Esta medida no es sino la ampliacin a 2D
de la varianza en 1D.
SS xy = nxy ( x x )( y y )
SS xy = nxy ( x x )( y y )
x
Expresin de Steiner
De igual forma que en univariables, se demuestra que tambin se puede obtener la SSxy sin calcular las
desviaciones x y y.
SS xy = nxy xy nxy
85
Covarianza
Muestra
vxy =
SS xy
n 1
Poblacin
Cov( X , Y ) = Vxy =
Es decir:
SS xy
N
Cov ( X , Y ) = E ( X Y )
Estas expresiones generales y las poblacionales son vlidas tanto para variables discretas como para
variables contnuas, utilizando en este caso la funcin de distribucin conjunta (ver captulo 3).
Al igual que para la varianza, es sencillo demostrar a partir de las expresiones de Steiner, que la
covarianza de una poblacin se puede calcular por:
Cov( X , Y ) =
SS xy
N
= E ( XY ) E ( X ) E (Y )
Observar que si se conoce la covarianza de un conjunto de datos considerados como muestra, se puede
obtener la de ese conjunto de datos considerados como poblacin y viceversa, con la expresin:
Cov ( X , Y ) = v xy
n 1
N
Si los datos estn agrupados en una tabla de contingencias y se utiliza para el clculo de la covarianza
la expresin por definicin (como en la seccin anterior), es conveniente conformar previamente una
nueva tabla de contingencias auxiliar, con las desviaciones en el lugar de los valores de x e y (en los
encabezamientos fila y columna). Se construye as fcilmente la expresin SSxy. En cambio si los
datos estn sin agrupar, se sugiere crear en la tabla de frecuencias 3 columnas, en las que se colocarn:
x, y, x*y.
Propiedad
1. Simetra
Si la distribucin es simtrica respecto de una paralela a los ejes de coordenadas, x, y, que pasa
por el centro de gravedad, entonces la covarianza es 0, pues a cada elemento positivo de la
sumatoria, le corresponde uno negativo de igual valor.
X
Y
X Var(X)
Cov(X,Y)
Y Cov(Y,X) Var(Y)
Figura 1-70
De forma similar, se define una matriz de SS, llamada matriz de Suma de Cuadrados, SS.
X
Y
X SSXX SSXY
Y SSYX SSYY
86
Jorge Carlos Carr
II Dos variables
Correlacin lineal
Figura 1-71
Naturalmente ambas son matrices simtricas pues los valores simtricos respecto de la diagonal
principal (de izquierda a derecha) son iguales.
x = 295.10
y = 320.40
x = 1834.41
y = 2126.76
xy = 1920.17
2
Los resultados de suma de cuadrados y varianzas se presentan en la figura 1-72 y en la figura 1-73, ordenadas en
forma de matriz, SS y P, respectivamente.
Figura 1-72
Matriz de SSCP
Figura 1-73
Matriz de varianzas, P
Interpretacin de la covarianza
1 Interpretacin del signo
87
Figura 1-74
Diagrama de dispersin con covarianza positiva
Figura 1-75
Diagrama de dispersin con Covarianza negativa
2 Interpretacin de la magnitud: Correlacin lineal
Cov( X , Y )
sx s y
Si se multiplica numerador y denominador por n 1 , se obtiene una expresin en funcin de los SS:
rP =
88
Jorge Carlos Carr
II Dos variables
Correlacin lineal
rP =
SS xy
SS xx SS yy
Propiedades
1. Adimensional
Surge de inmediato al observar las unidades de la expresin anterior.
2. Expresin alternativa
Si en la expresin de rP reemplazamos la covarianza por su definicin y recordamos la definicin
de z, se obtiene rpidamente la siguiente relacin:
rP = Cov( z x , z y )
3. Linealidad
La causa por la cual este coeficiente mide solo el grado de asociacin lineal se ver luego al tratar
la recta de regresin (pgina 103).
En particular, una covarianza cero (o cercana a cero) indica una ausencia de correlacin lineal.
Los puntos pueden estar completamente desalineados pero tambin podra existir una alta
correlacin no lineal, por ejemplo parablica. Por otra parte, si una de las variables es constante, la
covarianza es cero, pero el coeficiente de correlacin no puede calcularse al ser indeterminado
pues una de las desviaciones estndar tambin es cero (0 sobre 0). Esta situacin lmite debe
interpretarse tambin como incorrelacin.
4. Acotada
A partir de la desigualdad (ver problema Demostracin de propiedades, pgina 119):
( E ( XY ))2 E ( X 2 ) E (Y 2 )
se desprende que:
1 rP 1
rP es positivo para relacin lineal directa, negativo para una relacin lineal inversa y 0 para
incorrelacin.
Redondeo
Redondear el resultado con 3 dgitos significativos. No redondear los clculos intermedios pues esto
puede generar errores importantes.
Correlacin intraclase
Matriz de correlacin R
La matriz de correlacin R contiene las correlaciones. Por lo tanto ser de la siguiente forma.
X
Y
X 1 rXY
Y rXY 1
Figura 1-76
89
Se obtiene una matriz de todas las variables en filas por todas las variables en columnas con los
coeficientes de correlacin de Pearson, de Spearman (ver ms adelante) y las covarianzas.
Para elegir en forma especfica determinadas variables de un conjunto que se crucen con las de otro
determinado conjunto se debe modificar la sintaxis (botn Paste). El proceso es oportuno para
aprender la forma de correr y/o modificar adecuadamente los comandos sin utilizar los botones (as
deba hacerse en el entorno DOS en la era anterior a los sistemas operativos grficos como Windows).
Figura 1-77
El valor 0.653 nos sugiere la existencia de un grado de correlacin lineal respetable en la muestra.
Sin embargo, veremos una interpretacin ms conveniente al definir ms adelante, al coeficiente de
determinacin (pgina 107).
Independencia
Cov=0
Incorrelacin lineal
La correlacin lineal de Pearson se define para variables de escala, en tanto que la independencia se ha
definido en la pgina 70 para variables categricas. Sin embargo, veremos en el captulo 3, pgina
DosVariables3, que las expresiones de independencia para variables categricas se generalizan a
variables de escala, cambiando las frecuencias relativas conjuntas fx por la FDP de distribuciones
conjuntas.
De todas formas podemos utilizar ahora la definicin de independencia de variables categricas,
asumiendo que la variable de escala se agrupa en intervalos de clases (por lo tanto categricos).
Demostracin
Primera parte
Independencia
Cov=0
Al asumir que la variable de escala se agrupa en intervalos de clases (categricos), los smbolos x e y
de las siguientes ecuaciones, significan las marcas de cada intervalo.
Cov( X , Y ) = nxy xy n f x x f y y = n f xy xy f x x f y y
x
y
x
y
x
y
x y
f xy = f x f y
90
Jorge Carlos Carr
II Dos variables
Correlacin lineal
se obtiene:
Cov( X , Y ) = n f x x f y y f x x f y y = 0
y
x
y
x
Segunda parte
Cov=0
Incorrelacin lineal
Correlacin lineal
Dependencia
Esta implicacin indica que si 2 variables (de escala) se encuentran correlacionadas entre s, entonces
estas variables son dependientes. Si bien en este captulo solo podremos analizar la correlacin en la
muestra que estemos analizando, en el captulo 5 aprenderemos a inferir el tipo de correlacin
existente en la poblacin de donde se extrajo dicha muestra.
Correlacin y causalidad
Causalidad implica correlacin pero la inversa no es cierta, es decir la existencia de una alta
correlacin entre 2 variables, no implica una relacin de causalidad entre ellas. En un diagrama la
causalidad entre 2 variables se expresa con una flecha (de causa a efecto) en tanto que la correlacin
con un segmento (es una propiedad dual).
Las razones por las cuales dos variables A y B estn correlacionadas, pueden ser una de las siguientes
4 (figura 1-78):
1. A es la causa de B.
2. B es la causa de A.
3. A y B estn realimentadas entre s de tal forma que son interdependientes.
4. A y B tiene una causa comn C (o ms de una). Por ejemplo el hecho de que el nmero de infartos
A est correlacionado con el consumo de leche B, puede explicarse por el hecho de que ambos
suceden en personas mayores C, lo cual no implica la existencia de causalidad entre A y B.
A.
B.
A..
B..
A...
B...
Figura 1-78
91
Figura 1-79
Tabla de frecuencias conjuntas
Demostrar cmo es posible obtener una covarianza 0 sin independencia.
Con la interpretacin indicada en la consigna, resulta:
SS yy = 26.058
SS xx = 12.058
SS xy = 1.058
E ( x ) = 4.36
E ( y ) = 2.37
nxy xy = 538
Se trata de obtener la relacin de Cov(xy) = 0 (y por lo tanto correlacin cero), es decir:
sin que se verifique
xy
xy = nxy
f xy = f x f y .
Siempre puede lograrse esta situacin, con solo dejar libre el valor de una variable. Si por ejemplo colocamos la
letra a en lugar de x = 5 y partimos del cumplimiento de la relacin:
xy
xy = nxy
Resulta:
308 + a 46 = 52
de donde:
4 33 + a 19
2.37
52
a = 4.02
Si se coloca este valor en lugar de x = 5, resultar una covarianza cero, sin independencia.
E (c ) = c
E (cX ) = cE ( X )
V (c ) = 0
V (cX ) = c 2V ( X )
92
II Dos variables
Correlacin lineal
3
4
5
E (c X ) = c E ( X )
E ( X Y ) = E ( X ) E (Y )
E ( XY ) = E ( X ) E (Y ) + Cov ( XY )
V (c X ) = V ( X )
5
6
7
V ( X Y ) = V ( X ) + V (Y ) 2Cov ( X , Y )
Cov ( aX , bY ) = abCov ( X , Y )
Cov ( a + X , b + Y ) = Cov ( X , Y )
Cov( aX , bY ) = abCov( X , Y )
Cov ( X , Y ) = 0
entonces:
E ( XY ) = E ( X ) E (Y )
V ( X Y ) = V ( X ) + V (Y ) 2Cov ( X , Y )
Si la covarianza es 0,
Cov ( X , Y ) = 0
entonces:
V ( X + Y ) = V ( X ) + V (Y )
a01 = E ( X 0Y 1 ) = f yY = y
a02 = E ( X oY 2 ) = f yY 2
a11 = E ( X 1Y 1 ) = f xy XY
ars = E ( X rY s ) = f xy X rY s
c01 = E ( X x )0 (Y y )1 = f y (Y y ) = 0
c02 = E ( X x )0 (Y y )2 = f y (Y y )2 = vyy
93
En lugar de los valores cuantitativos de las variables, se toman los rangos o posiciones ordenadas, a
los que llamaremos RX y RY. Observar que la variable resultante es ordinal, pero tiene sentido la
covarianza y por lo tanto la correlacin lineal, pues la variable de origen es cuantitativa.
Si se presentan empates (valores iguales), se le asigna a cada uno el promedio de los rangos que les
correspondera si fueran distintos. Esta extensin mantiene con la correspondiente a la de variables
cuantitativas, la misma relacin que la mediana tiene con la media en variables cuantitativas.
Correlacin lineal
rS =
Cov( Rx, Ry )
sRx sRy
1 rS 1
rP = 0.017 rS = 0.41
x
y
85
42
70
83
62
70
90
96
90
72
Figura 1-80
Tabla de datos
Paso 1 Problema
Asociar variables.
Paso 2 Modelo
Las distribuciones del modelo matemtico que se requieren para realizar la inferencia (captulo 5), se estudiarn
en los captulos 3 (Distribuciones de probabilidades) y 4 (Distribuciones muestrales).
Paso 3 Diseo
Tamao de la muestra: 52. Este valor surge de las ecuaciones de diseo que se estudiarn en el captulo 5.
94
Jorge Carlos Carr
II Dos variables
Correlacin lineal
Paso 4 Anlisis
En este paso solo podemos, con las herramientas de la estadstica descriptiva, calcular los valores numricos de
los coeficientes de correlacin.
Para hallar el coeficiente de correlacin lineal de Pearson a partir de las desviaciones, se sugiere crear la tabla de
la figura 1-81.
x
85
70
62
90
90
y
42
83
70
96
72
x
5.6
-9.4
-17.4
10.6
10.6
y
-30.6
10.4
-2.6
23.4
-0.6
x*y
-171.36
-97.76
45.24
248.04
-6.36
Figura 1-81
Tabla para Correlacin lineal de Pearson
Para hallar el coeficiente de correlacin lineal de Spearman a partir de las desviaciones21, se sugiere crear la tabla
de la figura 1-82, donde RX y RY son los rangos de los valores de x e y, respectivamente.
x
85
70
62
90
90
y
42
83
70
96
72
Rx
3
2
1
4.5
4.5
x
0
-1
-2
1.5
1.5
Ry
1
4
2
5
3
y
-2
1
-1
2
0
x*y
0
-1
2
3
0
Figura 1-82
Tabla para Correlacin lineal de Spearman
6 D 2
n3 n
D = Rx Ry
rS = 1
Si 8<n<20
rS = 1
n3 n
+1
6
rS = 0.45
21
NaturalmentetambinpodrarealizarseelclculoconlasexpresionesdeSteinerparalasSSxy.
95
Regresin
La correlacin lineal que acabamos de estudiar, busca medir la fuerza de la asociacin lineal entre 2
variables aleatorias. La regresin es una tcnica separada que se ocupa de la prediccin del valor de
una variable dependiente aleatoria a partir de un conjunto de valores de otras variables no aleatorias,
llamadas independientes. Esta diferenciacin con la correlacin, relacionada con la aleatoriedad, solo
se menciona fugazmente, pues ser desarrollada en el captulo 5, al tratar la inferencia a la poblacin.
Regresin simple
La regresin simple consiste en predecir la variable dependiente, a partir de una sola variable
independiente (categrica o de escala), que a priori parezca explicar el comportamiento de la primera.
Regresin mltiple
a. Escala * Escala
Si bien el procedimiento bsico es aplicable a Escala*Escala, veremos al final del captulo
ampliaciones para tratar combinaciones con variables categricas.
Regresin simple
Modelos de regresin 2D
A partir del diagrama de dispersin (pgina 76) se puede tener una idea aproximada del tipo de
relacin. En la figura 1-83, se presentan algunos ejemplos de 2D.
Costo=f(superficie lote)
Transacciones=f(saldo cuenta)
Rendimiento=f(cantidad fertilizante)
Ventas helados=f(temperatura)
Valor auto=f(ingresos)
Duracin=f(precio)
a
Costo mantenimiento=f(edad)
96
Jorge Carlos Carr
II Dos variables
Regresin simple
Precio=f(ofertas)
Consumo elctrico=f(temperatura)
Velocidad trfico=f(presencia policas)
Calidad educativa=f(corrupcin)
c
Precio usado=f(edad)
Impuesto=f(antigedad casa)
Poblacin=f(riqueza)
Enfriamiento=f(tiempo)
d
errores=f(horas de trabajo)
e
Figura 1-83
Modelos 2D
Las nubes de puntos de las figuras a y c, sugieren un modelo lineal. La de la figura b sugiere uno
logartmico, la figura d uno exponencial y la figura e uno cuadrtico.
97
Modelo analtico
Estudiaremos la tcnica de regresin simple y la aplicaremos luego a los cruces escala por escala de
nuestro problema tipo. El diagrama de dispersin de la variables Notas de Matemticas y Notas
de Estadstica se puede observar en la figura 1-84.
Figura 1-84
Diagrama de dispersin
El modelo lineal estimado en 2D, se representa por la siguiente ecuacin, llamada Lnea de Regresin
Muestral, LRM.
Y = B0 + B1 x (1.1)
El smbolo circunflejo (sombrero) por encima de las variables, debe leerse valor estimado. Se utilizan
maysculas para la variable dependiente y minsculas para la independiente para adelantarnos al
captulo 5 en el que veremos que esta notacin es conveniente para denotar que la independiente es fija
(no aleatoria) y en cambio la dependiente si lo es.
Esta relacin es una relacin muestral entre las variables, pero posibilitar en el captulo 5, inferir la
ecuacin de esa relacin para la poblacin, llamada Lnea de Regresin Poblacional (desconocida),
LRP.
Y = B0 + B1 x +
E (Y | x) = B0 + B1 x
Es la esperanza condicional y no la esperanza de Y solamente, pues el resultado depende de cada x.
Tanto E (Y | x ) como Y , son valores poblacionales desconocidos, pero en tanto Y es aleatorio (su
valor es al azar), E (Y | x ) es fijo y determinado, una vez fijado x.
98
Jorge Carlos Carr
II Dos variables
Regresin simple
B0 : Valor de la estima de y para x =0. Este valor solo tiene sentido si el valor x = 0 se encuentra
dentro del dominio, es decir si existen observaciones cercanas a l.
Mtodo LSE
Como indica su nombre, busca hacer mnima la suma de las diferencias entre cada punto y la recta.
Estos valores se llaman residuos (o errores) e, y son medidos en direccin vertical u horizontal. El
mtodo se debe al cientfico alemn Karl Gauss (17771855).
Un nombre alternativo es OLS (Ordinary Least Square), sigla que surge de la contraposicin al
mtodo WLS (Weighted Least Square), o regresin robusta, que se describir en el captulo 5.
Figura 1-85
Residuos de la recta y|x
99
e = Y Y
y se busca minimizar el valor:
SSE = e2 = (Y Y ) 2
2
(Y B0 B1 x)
e
SSE e
=
= 2e
= 2 e
= 2 e(1) = 0
B0
B0
B0
B0
Por lo tanto22:
e = 0
(1.2)
Puede apreciarse que si se deriva por segunda vez la primera derivada, se obtiene un valor positivo, lo
cual indica que la solucin corresponde a un mnimo de SSE.
Reemplazando la ecuacin del error en la expresin obtenida (1.2) y operando, resulta:
Y = Y = nB
+ B1 x
Por lo tanto:
Y = B0 + B1 x (1.3)
Esta es la primera ecuacin de clculo y nos dice que el punto que representa a las medias de ambas
variables, pertenece a la recta de regresin23.
Ecuaciones incrementales
x = x x
Y = Y Y
Y = Y Y
Si restamos las ecuaciones (1.1) y (1.3), se obtiene la ecuacin de regresin en funcin de las
desviaciones, a la que llamaremos ecuacin incremental de la regresin:
22
Comoveremosenseguida Y
= Y yporlotantoestarelacinequivalea Y Y = 0 ,yaconocida
(pgina27).
Sielmodeloderegresinimpusieraquelarectaaquepaseporunpuntodeterminado(porejemplo:
regresinatravsdelorigen),lasolucinpasarporesepunto,peroyanoporlasmediasdeambasvariables.
23
100
Jorge Carlos Carr
II Dos variables
Regresin simple
Y = B1x
(1.4)
Observemos que el residuo e puede expresarse tambin en funcin de las desviaciones, expresin que
podemos llamar ecuacin incremental del residuo:
e = Y Y = (Y Y ) (Y Y ) = Y Y
e = Y Y
b Derivacin respecto de B1
Derivaremos ahora SSE respecto de B . Dado que el objetivo es expresar este coeficiente en funcin
1
de los SS, para simplificar la demostracin, utilizaremos las 2 ecuaciones incrementales (pues ya
contienen los ).
2
(Y B1x)
SSE e
e
=
= 2e
= 2 e
= 2 e(x) = 0
B1
B1
B1
B1
Por lo tanto:
ex = 0
(1.5)
Cuando una sumatoria de un producto de 2 variables es igual a cero, se dice que esas variables son
ortogonales, por lo cual e y x, lo son.
Puede apreciarse que si se deriva por segunda vez la primera derivada, se obtiene un valor positivo, lo
cual indica que la solucin corresponde a un mnimo de SSE.
Reemplazando en la expresin obtenida (1.5) la expresin incremental del error (y dentro de ella la
expresin incremental de la regresin), resulta:
Y x = Y x
Y x = B x
Es decir:
SS xy = B1SS xx (1.6)
Finalmente, si dividimos ambos miembros por n-1, se obtiene la expresin equivalente:
Vxy = BV
1 xx
(1.7)
De esta ecuacin podemos calcular la pendiente de la recta B1 y construir la recta de regresin dada un
punto ( x , y ) y la pendiente. Otra alternativa es utilizar las ecuaciones (1.3) y (1.6), para obtener la
pendiente y la ordenada al origen (coeficientes de la regresin lineal) con el siguiente sistema:
SS xy = B1SS xx
Y = B0 + B1 x
Se obtiene la pendiente B1 de la primera y luego se reemplaza en la segunda para obtener la ordenada
al origen B0 ,
Observaciones
De las expresiones de clculo se ve que tanto B0 como B1 son funciones lineales de y. Esta
particularidad ser usada en el captulo 5 para enlazar las distribuciones de probabilidades de todos
101
ellos.
Con ms precisin, B1 puede escribirse como:
SS
xy xY Y x xY
B1 = xy =
=
=
= cY
SS xx
SS xx
SS xx
SS xx
x
x
=
con c =
SS xx x 2
Ms adelante sern usadas las siguientes relaciones, obtenidas como parte del proceso
demostrativo anterior.
e = 0
ex = 0
ex = 0
Regresin en funcin de y
Y = B0 + B1 x
Reemplazando B0 de la ecuacin (1.3):
Y = Y B1x + B1x
Por lo tanto:
Y = Y + ( x x ) B1
Sustituyendo las expresiones de Y y de la pendiente B1 , resulta:
1
Yi = Y j + ( xi x ) c jY j
n
( x x )Y j
1
Yi = Y j + ( xi x ) j
n
SS xx
1 ( x x )( x j x )
Yi = + i
Yj
SS xx
n
Yi = hijY j
El factor h se llama factor sombrero pues transforma las Y en Y . La letra h proviene de hat
(sombrero en ingls).
Si se opera solo con la sumatoria de las hij se obtiene una suma igual a 1, por lo cual esta expresin
permita obtener las estimas y como un promedio ponderado de los datos y.
SSE = (Y Y )2
SSE = (Y B1x) 2
102
Jorge Carlos Carr
II Dos variables
Regresin simple
SSE = SS yy B1SS xy = SS yy
SS xy2
SS xx
(1.8)
Observar que todos los sumandos tienen dimensin de [y]2. Esta expresin ser de gran utilidad en el
desarrollo del coeficiente de determinacin (pgina 107) (en donde veremos que al primer sumando se
lo llamar SST y al segundo SSR) y ms adelante en el captulo 5.
Coeficientes estandarizados
Para obtener una ecuacin que no dependa de las unidades, se definen coeficientes adimensionales.
Esto se consigue estandarizando los anteriores, multiplicando o dividiendo por las desviaciones
estndar, segn sea necesario para conseguir coeficientes adimensionales:
0 =
B0
sy
1 = B1
sx
sy
z y = 1 z x
(1.9)
Relacin entre rP y 1
1 =
Cov( XY ) sx
sx2
sy
Simplificando, se obtiene:
1 = rP
Es decir:
z y = rP z x
Esta relacin permite construir la recta de regresin no estandarizada, reemplazando las z por sus
expresiones de conversin y agrupando.
rP mide la asociacin lineal
Al ser rP la pendiente de la recta de regresin, se concluye que este coeficiente mide el grado de
asociacin lineal entre las variables.
Recta x|y
La recta de x|y, implica plantear la obtencin de la siguiente ecuacin, en la cual se les coloca un
apstrofo a los coeficientes, para diferenciarlos de la recta de y|x:
X = B0 + B1 y
Los resultados anteriores para la recta y|x, son vlidos para la ecuacin de x|y, con solo permutar las x
por las y. As se tendrn, entre otras, las siguientes ecuaciones:
X = B0 + B1 y
V = BV
xy
1 = rP
103
1 yy
z x = 1 z y
Combinando las 2 ltimas ecuaciones, se obtiene:
z x = rP z y
Dado que las ecuaciones y|x y x|y estandarizadas en trminos de z surgen solo de intercambiar las x
por las y pues el valor numrico rP es el mismo, se puede concluir que ambas rectas estandarizadas son
funciones inversas y por lo tanto simtricas respecto de una recta a 45, en los ejes zx, zy.
A menos que se indique especialmente, se sobreentender que nos referimos a la recta y|x.
Redondeo
Redondear los resultados con 3 dgitos significativos. No redondear los clculos intermedios pues esto
puede generar errores importantes.
Correlaciones definidas
Dado que y est relacionada linealmente con x, la correlacin entre ambas variables debe ser
perfecta, rP = 1 .
Dado que el residuo e es la parte de la regresin no explicada por x, la correlacin entre ambas
variables debe ser nula, rP = 0 .
Figura 1-86
104
Jorge Carlos Carr
II Dos variables
SPSS Procedimiento regresin
Figura 1-87
Nota
La ecuacin de la recta x|y, se obtiene colocando x en la variable dependiente e y en la independiente.
Statistics
Al presionar este botn se aprecia que se encuentra preseleccionado Estimates. El resto de las
opciones se tratarn en los captulos 5 y 6. Si se desean obtener automticamente los casos extremos a
ms de (por ejemplo) 2 desviaciones estndar de la media, tildar Casewise diagnostics.
Save
Con este botn se agregan a la base de datos nuevas variables entre las cuales elegiremos, los valores
predichos para cada uno de los datos y los residuos (sin estandarizar y estandarizados):
Unstandardized y Standardized.
Paso 1 Problema
Asociar variables.
Paso 2 Modelo
Las distribuciones del modelo matemtico que se requieren para realizar la inferencia (captulo5), se estudiarn
en los captulos 3 (Distribuciones de probabilidades) y 4 (Distribuciones muestrales).
Paso 3 Diseo
Tamao de la muestra: 52. Este valor surge de las ecuaciones de diseo que se estudiarn en el captulo 5.
105
Paso 4 Anlisis
En este paso solo podemos, con las herramientas de la estadstica descriptiva, calcular la ecuacin de la recta de
regresin muestral.
En la figura 1-88 se repiten por comodidad para el clculo, los estadsticos previamente obtenidos en figuras
anteriores:
En la figura 1-89, se presentan los resultados de la regresin de y|x.
Figura 1-88
Estadsticas de x e y
Figura 1-89
Resultados de la regresin
La ecuacin de la recta de regresin es, por lo tanto:
y = 1.561 + 0.668 x
z y = 0.653 z x
El diagrama de la recta en los ejes x, y, se muestra en la figura 1-90.
106
Jorge Carlos Carr
II Dos variables
SPSS Procedimiento regresin
Figura 1-90
Recta de regresin
Por su lado, la ecuacin de x|y es la siguiente:
x = 2.541 + 0.638 y
z x = 0.653 z y
Coeficiente de determinacin
Ya tenemos un coeficiente, rP, que nos indica el grado de una relacin bivariante. Veremos ahora otro
coeficiente, cuya interpretacin es bastante ms precisa y que adems es til para una regresin
mltiple. Este coeficiente se llama coeficiente de determinacin y se simboliza por R2 (por razones
que se vern luego).
Demostremos primero que:
107
Figura 1-91
Medidas de variabilidad
Partimos de la identidad:
Y = Y Y = (Y Y ) + (Y Y )
Elevando al cuadrado ambos miembros:
(Y Y ) 2 = (Y Y ) 2 + (Y Y ) 2 + 2(Y Y )(Y Y )
Tomando la sumatoria para todos los valores:
(Y Y ) = (Y Y ) + (Y Y )
2
+ 2 e(Y Y )
Es decir:
ex = 0
SST = SS yy
SSE = SS yy B1SS xy
concluimos que:
SS xy2
SSR = B1SS xy =
SS xx
Apreciemos que las varianzas, covarianzas, coeficientes de regresin y correlacin, tambin se pueden
expresar en funcin de los SSxx, SSyy y SSxy, todos los cuales adems, se calculan a partir de las x,
x2, y, y2 y xy.
108
Jorge Carlos Carr
Definicin de R2
II Dos variables
SPSS Procedimiento regresin
Se define el coeficiente R2, como el cociente entre las variabilidades de los valores de y de la
regresin, SSR y la de los valores reales, SST.
R2 =
SSR
SSR
=
SST SSR + SSE
(1.10)
Si se lee esta ecuacin, este coeficiente mide la proporcin de la variabilidad de y (SST) que se
explica por la variabilidad de y (SSR), es decir por la regresin.
Como SST = SSR+SSE, este coeficiente ser menor o igual a 1 y mayor que 0:
0 R2 1
En lugar de expresar R cuadrado en trminos de SSR, puede expresarse equivalentemente, en trminos
de SST:
R2 =
SST SSE
SST
Por la conformacin de esta expresin, se la llama: "Reduccin Proporcional del Error", pues es la
reduccin que en el SST se produce por el SSE, en proporcin a SST.
La lectura de R2 es la siguiente. Si suponemos por ejemplo R2 = 0.65, significa que la regresin explica
el 65% de la variabilidad de los datos de y.
Si R2=0, SSR es cero, es decir y coincide con la media, la recta de regresin es horizontal y la
regresin no explica la variabilidad de los datos de y.
Si R2=1, SSE es cero, es decir y coincide con y . Por lo tanto la regresin explica el 100% de la
variabilidad de los datos de y.
Si SST y SSE son cero, el cociente es indeterminado por ser cero sobre cero. Esta situacin lmite
sucede cuando la variable y es constante, es decir su variabilidad es cero. Dado que cualquiera que sea
el valor de x, el valor de y no se altera, esta situacin es consecuente con una regresin que no explica
la ausencia de variabilidad. La recta de regresin es horizontal por ser SSR cero y tambin la estima
coincide con los datos por ser SSE cero.
Expresin de R2 para regresin lineal
La expresin anterior fue obtenida sin utilizar la ecuacin de regresin, debido a lo cual es vlido
cualquiera sea ella. Una versin particular para una regresin lneal se obtiene reemplazando en R2, las
relaciones de SSR y SST, en funcin de las SS para esta regresin, obtenindose:
R2 =
SS xy2
SS xx SS yy
(1.11)
Comparando con la expresin de rP (ver correlacin lineal, pgina 88), concluimos que, para estos
casos:
R 2 = rP2
Relacin que justifica el nombre de R cuadrado para el coeficiente de determinacin.
Calculando ahora R2 para nuestro ejemplo (por cualquiera de las ecuaciones anteriores), resulta:
R 2 = 0.426
Este nmero indica que las Notas de Matemticas explican el 42.6% de la variabilidad de las
Notas de Estadstica.
El coeficiente de determinacin indica entonces 2 cosas:
1. Porcentaje de variabilidad de y explicada por x
2. Porcentaje de asociacin lineal entre x e y
Como conclusin final podemos expresar que R2 es mucho ms informativo que rP, pues permite ser
interpretado con ms precisin, se extiende a asociaciones no lineales y es el que debe ser usado.
109
x
284.00
328.00
345.00
364.00
364.00
398.00
419.00
441.00
447.00
483.00
y
191.00
206.00
216.00
230.00
236.00
254.00
266.00
281.00
290.00
311.00
x = 3873
x = 1533801
y = 2481
y = 629223
xy = 982266
2
Figura 1-92
a) Calcular el coeficiente de correlacin de Pearson y el de determinacin e interpretar en que porcentaje el
ingreso explica el consumo.
b) Crear 2 variables ordinales con los rangos de los valores de x e y (por simplicidad en la notacin llamarlas
tambin x e y). Calcular el coeficiente de correlacin de Spearman.
c) Obtener la recta de y|x e interpretar si se cumple la prediccin de Keynes.
d) Correlacionar el Ingreso, primero con los errores y luego con los valores estimados de los consumos. Porque
resultan esos valores?
Paso 1 Problema
Asociar variables.
Paso 2 Modelo
Las distribuciones del modelo matemtico que se requieren para realizar la inferencia (captulo 5), se estudiarn
en los captulos 3 (Distribuciones de probabilidades) y 4 (Distribuciones muestrales).
Paso 3 Diseo
Tamao de la muestra: 52. Este valor surge de las ecuaciones de diseo que se estudiarn en el captulo 5.
Paso 4 Anlisis
Con las herramientas de la estadstica descriptiva, solo podemos por ahora calcular los valores numricos de
correlacin y regresin. En el captulo 5, pgina keynes5, se continuar con este problema, calculando la
precisin de estos valores (indicados en la figura 1-94 con una banda de estimacin).
a) A partir de los datos se obtienen:
SS xx = 33788
SS yy = 13686
SS xy = 21374
x = 387.3
y = 248.1
110
Jorge Carlos Carr
II Dos variables
SPSS Procedimiento regresin
rP =
SS xy
SS xx SS yy
= 0.994
R 2 = 0.988
b)
x = 55 . y = 55 x
= 384.5
= 385
xy = 384.5
SS xx = 82
SS yy = 82.5
SS xy = 82
x = 5.5
rS =
y = 5.5
SS xy
SS xx SS yy
= 0.997
c)
SS
B1 = xy = 0.6326
SS xx
B = y B x = 3.090
0
C = 3.09 + 0.633* I
La pendiente es menor que 1 lo cual indica que la tasa de crecimiento del consumo es menor a la del crecimiento
del ingreso, lo cual apoya la prediccin de Keynes.
d) Las correlaciones resultan:
IngresosErrores
rxe = 0
pues los errores o residuos representan la parte de los Consumos no explicados por la regresin (Ingresos).
IngresosConsumos estimados
rxC = 1
pues los Consumos estimados estn relacionados en forma perfecta con los Ingresos.
SPSS
a)
Figura 1-93
111
Figura 1-94
c) Definimos en el SPPS a las variables ordinales xord, y ord que contienen los rangos de x,y. Se obtiene para
ellas:
Figura 1-95
Constatar que el coeficiente de correlacin de Spearman obtenido con la correlacin de Pearson de xord, yord,
coincide con el valor que SPSS calcula directamente a partir de x, y, como lo indica la siguiente figura.
112
Jorge Carlos Carr
II Dos variables
SPSS Procedimiento regresin
Figura 1-96
c)
Figura 1-97
d)
Errores-Ingresos
Model Summaryb
Model
1
R
R Square
.000a
.000
Adjusted
R Square
-.125
Std. Error of
the Estimate
4.54209023
a. Predictors: (Constant), x
b. Dependent Variable: Unstandardized Residual
Figura 1-98
Consumos estimadosIngresos
Model Summaryb
Model
1
R
R Square
1.000a
1.000
Adjusted
R Square
1.000
Std. Error of
the Estimate
.00000000
a. Predictors: (Constant), x
b. Dependent Variable: Unstandardized Predicted Value
Figura 1-99
113
Problemas
I Una variable
1. Saldo de las cuentas de ahorro
Un banco de la ciudad desea informacin respecto del saldo de las cuentas de ahorro de sus
clientes. El resultado de una muestra aleatoria indica los siguientes balances (en cientos de pesos):
8
13
23
8
9
3
5
15
19
6
32
16
5
5
25
17
13
11
21
9
14
6
6
10
5
7
7
8
6
4
11
22
12
11
12
18
33
54
30
21
47
18
18
28
35
38
23
26
27
40
41
19
25
27
39
50
16
21
17
36
19
24
TenerencuentaqueelSPSSnoagrupaporintervalosdeclasespararealizarclculosmssimples.Poresta
raznlacomparacinconvaloressurgidosdeunaagrupacin,podrdiferir.
114
Jorge Carlos Carr
Problemas
I Una variable
3. Distribucin de edades
El director de una escuela para adultos desea saber la distribucin de las edades de los alumnos en
la clase, obteniendo la siguiente informacin (expresada en aos):
63
29
29
41
20
19
28
31
27
22
19
53
45
22
51
30
32
33
43
55
58
46
54
29
35
31
65
56
63
53
27
51
56
18
39
19
Utilizando 5 intervalos de clase, siendo las dos primeras marcas 22.5 y 32.5,
a) qu cantidad de alumnos se encuentra por debajo de z = -1.64?
b) expresar en valores z los lmites del intervalo comprendido entre los percentiles 19 y 81.
c) Dibujar el histograma y la ojiva. Colocar en cada uno de ellos las ecuaciones matemticas que
definen a cada una de las rectas. Verificar el cumplimiento de la relacin derivadaintegral para
cada recta (pgina 17)
d) Resolver con el SPSS.
R: : a) 0,
b) -1.03;1.09
4. Interpretar propiedades
Interpretar las propiedades de la media de la varianza de pgina 30.
5. Utilizar propiedades
Si se sabe que E(X) = 10 y V(X) = 1.5, hallar E(Y) y V(Y) si: a) Y = 2 + 4 X , b) Y =
X E( X )
.
V (X )
Tallo
0.
0.
0.
0.
1.
1.
1.
10.00
1 caso(s)
Hojas
33
444555
66777777
888899999
00111
223
44
115
10
12
14
16
Suponiendo que los datos se distribuyen linealmente en cada uno de los 4 intervalos, hallar:
a) qu cantidad de empresas se encuentra a ms de una desviacin estndar de la media?
b) expresar en valores z los lmites del intervalo comprendido entre los percentiles 28 y 85
c) dibujar la forma que tiene el histograma. El sesgo parece ser positivo, negativo o cero?
Justificar la respuesta.
d) Resolver con el SPSS.
R: a) 12.79=36.5%,
b) -.0538;1.15
8. Peso de equipaje de mano
Una compaa area desea saber cunto pesa el equipaje de mano de los pasajeros. Un empleado
toma una muestra aleatoria de 35 pasajeros que retornan de Chile y presenta los pesos (en kg) en el
siguiente diagrama de barras. Lamentablemente no confeccion un histograma, lo cual hubiera
sido ms correcto.
116
Jorge Carlos Carr
Frequency
Problemas
I Una variable
7
0
3.00
5.00
4.00
7.00
6.00
9.00
8.00
11.00
10.00
13.00
12.00
14.00
27
17
45
31
12
29
18
28
42
3
43
29
35
21
18
51
47
0
32
12
38
38
31
32
36
32
32
18
27
41
19
21
35
33
21
26
a) Hacer un diagrama de tallo y hojas de 2 lneas por tallo (de 0 a 4 y de 5 a 9). Parece una
distribucin asesgada? En caso contrario con que signo?
b) Calcular el valor z de x = 32. Puede usarse el diagrama de tallo y hojas como si fuera un
histograma de datos agrupados para acelerar el clculo.
c) Obtener el diagrama de caja calculando los estadsticos necesarios con los datos sin agrupar. Se
considera que los datos que se encuentren a ms de 1.5 AIC contados a partir de los extremos de
la caja son valores extremos o atpicos que requieren un anlisis especial. Individualizar los
valores extremos de esta distribucin, si es que los tiene. Justificar.
d) Resolver con el SPSS.
R: b) 0.547,
c) Q1=21, Q2=29.5, Q3=35.
10. Riqueza del pas
En programas de TV se suele escuchar la frase: en la Argentina el 60% de la riqueza del pas est
concentrada en el 20% de la poblacin. Bosquejar un histograma que sintetice lo anterior
utilizando x = riqueza, medida en una escala de 0 a 100.
Leer el archivo periodstico publicado en el diario RIO NEGRO: ArtculoRN.png, (el cual tambin
117
se encuentra en la ltima pgina de esta seccin de problemas), referente a estadsticas del INDEC
(Instituto Nacional De Estadsticas y Censos). Contiene la escala de ingresos por persona, a partir
de 1120 casos relevados en el conglomerado urbanorural desde Chinchinales hasta Barda del
Medio. Leer todo el artculo y justificar cada afirmacin, tomando como base la tabla central
contenida en el mismo. Realizar en particular las siguientes actividades:
a) Bosquejar un histograma de la tabla referente a marzo del 2002, colocando un eje horizontal
adicional que contenga las proporciones respecto del total.
Justificar las siguientes afirmaciones contenidas en el texto:
b) "De cada 10 personas, 1 gana lo mismo que 8 de las restantes".
c) "El 20 % ms rico se queda con el 60 % de los ingresos".
Sugerencia: utilizar las proporciones definidas en el punto anterior.
d) "El 43% de los recursos est concentrado en el 10% ms rico mientras solo el 1% de la
disponibilidad total corresponde al 10% ms pobre.
e) El promedio por cpita equivale a unos 94$ y proyectara unos 376 pesos por hogar.
f) "Casi 6 de cada diez hogares estaran bajo la lnea de pobreza porque no llegan a 626 pesos
por mes que el INDEC interpreta como disponibilidad mnima para cubrir sus necesidades.
g) "Nueve de cada diez rionegrinos acusan tener menores ingresos que hace 3 aos".
h) "La disminucin de los ingresos se atenu por un incremento el 18% en los ms ricos".
11. Preferencias de los consumidores
Usted trabaja en una dependencia que estudia las preferencias de los consumidores de una empresa
y desea saber si las preferencias acerca de 4 diferentes presentaciones del mismo producto, A, B,
C y D, se distribuye por igual (esta distribucin se llama uniforme y se estudiar en el captulo 3).
Los resultados de una muestra de 100 consumidores se muestran en la siguiente tabla.
A
0.375
B
0.2083
C
0.2083
D
0.2083
Hallar manualmente y con el SPSS el valor de chicuadrado del ajuste entre la distribucin de
preferencias iguales y la obtenida en la muestra, el coeficiente de contingencias y el coeficiente .
Si en lugar de una muestra fueran valores de la poblacin, determinar si el tamao del efecto es
chico, mediano o grande.
R: SPSS.
12. Operaciones a plazo fijo
Los siguientes datos representan la cantidad de operaciones a plazo fijo realizadas diariamente en
un banco, durante 42 das. Agrupar los datos en 9 clases comenzando con las marcas 15 y 20. Se
supone que la cantidad de operaciones se distribuye normalmente, debido a lo cual, como veremos
en el captulo 3, las frecuencias tericas son las que se muestran en la segunda tabla.
29 13 19 34 24 29 45 41 23 22 38
32 50 46 56 26 14 25 39 33 49 35
28 25 26 21 27 34 30 36 18 24 34
31 41 33 23 34 26 21 40 48
Int1
0.08
Int2
0.10
Int3
0.16
Int4
0.20
Int5
0.19
Int6
0.14
Int7
0.08
Int8
0.04
Int9
0.02
Hallar manualmente y con el SPSS el valor de chicuadrado del ajuste entre la distribucin de la
cantidad de operaciones a plazo fijo y la distribucin normal, el coeficiente de contingencias y el
coeficiente . Si en lugar de una muestra fueran valores de la poblacin, determinar si el tamao
del efecto es chico, mediano o grande.
R: SPSS.
13. Libros prestados en la biblioteca
La bibliotecaria de una universidad realiz una agrupacin de los libros por tema. Luego tom una
muestra aleatoria de 4217 libros entre los prestados el ltimo trimestre. Ambos resultados se
muestran en la siguiente tabla.
% en biblioteca
Prestados
Negocios
33
1211
Humanidades
28
954
Ciencias
22
941
Sociales
10
810
Otros
7
301
118
Jorge Carlos Carr
Problemas
II Dos variables
Hallar manualmente y con el SPSS el valor de chicuadrado del ajuste entre la distribucin de
libros de la biblioteca y de la distribucin de libros prestados, el coeficiente de contingencias y el
coeficiente . Si en lugar de una muestra fueran valores de la poblacin, determinar si el tamao
del efecto es chico, mediano o grande.
R: SPSS.
14. Leyes de Mendel de los garbanzos
Las leyes de Mendel establecen que el nmero de garbanzos que caen en las clasificaciones
redondos y amarillos, rugosos y amarillos, redondos y verdes y rugosos y verdes se encuentran en
la relacin 9:3:3:1. De una muestra de 100 garbanzos, 55, 18, 17 y 10 cayeron en las respectivas
clases. Hallar manualmente y con el SPSS el valor de chicuadrado del ajuste entre la distribucin
de garbanzos terica y la distribucin de garbanzos de la muestra, el coeficiente de contingencias y
el coeficiente . Si en lugar de una muestra fueran valores de la poblacin, determinar si el tamao
del efecto es chico, mediano o grande.
R: SPSS.
15. Un problema simple p-mediana unidimensional (Fermat-Weber)
Una cadena de comidas rpidas est planificando abrir 13 restaurants a lo largo de una autopista
(una dimensin) en los kilmetros 2, 3.5, 4, 10, 23, 26, 30, 39, 44, 56, 59 y 78. Para bajar los
costos la empresa requiere ubicar un lugar central (punto central, p = 1) donde procesar y
almacenar la comida de tal forma de minimizar la distancia promedio entre cada restaurant (punto
demanda, n = 13) y el centro. Donde deber colocar el centro de distribucin?
R: km 26.
II Dos variables
Asociacin
16. Demostracin de propiedades
Demostrar que:
( E ( xy))2 E ( x 2 ) E ( y 2 )
Sugerencia 1: Partir de la desigualdad de Schwartz y observar que el numerador es siempre menor
o igual al denominador
Sugerencia 2: Partir de la relacin:
E ((ty x)2 ) o , t real
Desarrollar el cuadrado y aplicar una relacin conocida de las ecuaciones de segundo grado.
17. Salario vs lectura de diarios
Un editor de peridicos se pregunta si la costumbre de la gente de leer diarios est relacionada con
el salario de los lectores. Se aplica una encuesta obtenindose, entre otros, los siguientes grficos.
119
LECTURA
100.0%
45.7%
26.8%
Values
75.0%
17.5%
23.7%
10.9%
39.0%
LECTURA nunca
LECTURA a v eces
14.1%
41.2%
19.5%
50.0%
11.8%
39.2%
15.2%
25.0%
32.9%
28.3%
14.6%
0.0%
19.6%
SALAR IO 300-500
SALAR IO 700-900
SALAR IO 500-- 700
SALAR IO 900-- 1100
SALARIO
97
85
90
Values
80
70
60
50
46
41
40
SALAR IO 300-500
SALAR IO 500-- 700
SALAR IO 700-900
SALAR IO 900-- 1100
SALARIO
120
Jorge Carlos Carr
Problemas
II Dos variables
100.0%
23.6%
21.1%
8.4%
17.4%
11.6%
CALIFIC 2--4
CALIFIC 4--6
43.2%
CALIFIC 6--8
CALIFIC 8--10
75.0%
Values
18.2%
50.0%
28.4%
CALIFIC
5.8%
45.8%
CALIFIC 0--2
20.0%
28.4%
25.0%
29.1%
10.3%
20.0%
0.0%
9.1%
MSICA 0-- 5
25.3%
20.6%
2.1%
11.6%
MSICA
Count
MSICA
Total
0--5
5--10
10--20
20--30
Total
55
95
155
95
400
25
Dadalagrancantidaddeempates(frecuenciasabsolutasmarginales),nopuedenusarselasecuaciones
directas.
121
P
66
68
70
72
74
0
1
3
0
1
3
5
1
2
1
2
1
10
0
1
9
1
2
15
1
0
1
2
1
20
2
1
2
1
2
a) Hallar manualmente y con el SPSS las distribuciones marginales de P y T y los perfiles fila y
columna.
b) Hallar manualmente y con el SPSS las esperanzas, medianas y varianzas de las 2 distribuciones
marginales y de las 5 distribuciones de P condicionadas a T (usar Split File).
c) Hallar el coeficiente de correlacin de Pearson, el coeficiente y el coeficiente de contingencia
entre P y T.
Nota
Para introducir los valores en el SPSS, se debern introducir los valores de las dos variables como
dos columnas. Se tienen 2 alternativas:
Colocar cada par de valores la cantidad de veces indicada por la frecuencia, por ejemplo el par de
valores P = 66 y T = 0 se introduce una vez, el par de valores P = 68 y T =0 se introduce tres veces
y as sucesivamente. Es ms rpido utilizar la frecuencia de repeticin de cada uno de esos pares
de valores y usar luego Weight cases.
20. Economistas, ingenieros y abogados
Se pregunta a 50 economistas, 40 ingenieros y 10 abogados si creen que la bolsa bajar, subir o
permanecer igual en el prximo mes. El 20 % de los economistas opina que subir, mientras que
el 40 % de ellos piensa que bajar. El 50 % de los ingenieros se inclina que permanecer igual y
tan solo el 5 % cree que bajar. Por ltimo, la mitad de los abogados cree que subir y la otra
mitad cree que bajar.
a) Resumir los datos en una tabla de contingencias que cruce la Profesin con el Pronstico. Hacer
un grfico de barras que equivalga a la tabla.
b) Realizar el grfico de barras para la variable Profesin y luego para la variable Pronstico
(distribuciones marginales).
c) Hallar las tablas de las distribuciones condicionales y presentarlas junto con un diagrama de
sectores.
R: SPSS.
21. Votantes
Una muestra de 200 votantes revel la siguiente informacin sobre 3 candidatos A, B y C.
28 votaron a favor de A y B
98 a favor de A o B pero no de C
42 a favor de B pero no de A o C
122 a favor de B o C pero no de A
64 a favor de C pero no de A o B
14 a favor de A y C pero no de B
a) Formar una tabla de contingencias. Tener en cuenta que los niveles de las variables deben ser
mutuamente excluyentes y colectivamente exhaustivos. Cargarla en el SPSS.
b) Cuntos votantes estaban a favor de solo uno de los candidatos? De los tres? De B
independientemente de A o C? De A y B pero no de C? De C independientemente de A o B?
c) Obtener la tabla y un diagrama de barras de los porcentajes dentro de B. Son independientes A
y B? A y C? B y C?
Regresin simple
22. Coeficiente de inteligencia
Un grupo de investigadores desea estudiar si los estudiantes con alto coeficiente de inteligencia,
CI, tienen tambin altas calificaciones en la escuela. Se sabe que esto es parcialmente cierto pues
122
Jorge Carlos Carr
Problemas
II Dos variables
117
92
102
115
87
76
107
108
121
91
113
98
Calific(y)
3.7
2.6
3.3
2.2
2.4
1.8
2.8
3.2
3.8
3.0
4.0
3.5
12
7.7
15
8.1
5
6.9
1
8.2
20
8.6
17
8.3
19
9.4
46
7.8
20
8.3
25
5.2
39
6.4
25
7.9
30
8.0
27
6.1
29
8.6
t (dias)
3.0
2.0
2.0
1.5
4
1.5
2.5
1.5
2.0
3.0
G ($)
550
390
180
310
1350
390
560
365
362
720
a) Determinar si existe correlacin lineal entre las variables: Tiempo de estada (t) y Gasto
efectuado (G).
b) En caso afirmativo, hallar la mejor recta de ajuste segn el mtodo de mnimos cuadrados.
c) Es posible estimar el gasto que realizara un turista que se quedara 7.5 das? Y para 3.5 das?
R: SPSS. c) no, si, 941$.
25. Funcin y = x2
La siguiente tabla muestra los valores correctos de la relacin f ( x) = x 2 Se muestran adems
valores de y = x 2 + error en donde el error aleatorio se obtuvo con un generador de nmeros
aleatorios desde -0.10 a 0.10. El generador consisti en sacar cartas de un mazo de 40 cartas, (oros
y bastos positivo, copa y espadas negativo). Realizaremos distintos ajustes sobre los puntos x,y
sabiendo de antemano cual es la curva poblacional correcta.
x
x2
y
1
1
0.98
1.1
1.21
1.23
1.2
1.44
1.40
1.3
1.69
1.72
1.4
1.96
1.86
1.5
2.25
2.17
1.6
2.56
2.55
1.7
2.89
2.82
1.8
3.24
3.28
1.9
3.61
3.54
2
4
3.92
123
valor para xa=1.38 y para ya = 1.95 en el caso de la recta x|y (en la U5 se estudiar el error de
estimacin).
b) ajuste lineal a una recta y|x,
c) ajuste lineal a una recta x|y,
d) ajuste logartmico a la ecuacin y = a + b log x ,
e) ajuste compuesto a la ecuacin y = ab x ,
f) ajuste potencial a la ecuacin y = ax b . Qu valores se esperan para a y b?
g) verificar todas las respuestas cargando los datos en el SPSS.
R: b) 0.944, y = 2.112 + 2.95 x , 1.95 0.12 ,
c) 0.994, x = 0.725 + 0.335 y , 1.38 0.04 ,
d) 0.98, y = 0.702 + 9.756 log x , 2.1 0.2 ,
e) 0.994, y = 0.272 * 3.9 x , 1.78 0.08 ,
f) 0.998, y = 0.989 x 1.99 , 1.877 0.04 .
26. En el problema anterior, se observa que el ajuste por una regresin lineal da un valor alto de R2
explicando el 98% de la variacin en y, sin embargo sabemos que la regresin es parablica con
B0 y B1 ceros. Una forma de detectar el modelo que sea ms apropiado es realizar un diagrama de
dispersin de los residuos e en funcin de la variable dependiente. Que sugiere este grfico?
Ajustar una parbola a los datos y verificar nuevamente.
R: 0.0954-0.1286x+1.0268x2, R2 = 0.998.
Determinar el anlisis de regresin ms adecuado entre las variables que se indican en cada uno de los
problemas que siguen, obteniendo: a) el diagrama de dispersin, b) un anlisis de correlacin, c) la
ecuacin de regresin graficndola luego en el diagrama de dispersin, estimando el valor de la
regresin para la x que se indica en cada problema, d) el diagrama de dispersin de los residuos en
funcin de la variable dependiente, estudiar este grfico, e) verificar todas las respuestas cargando los
datos en el SPSS.
27. Distancia y tiempo de entrega
Un analista toma una muestra aleatoria de 10 embarques enviados por camin por una
determinada compaa y registra la distancia y el tiempo de entrega (al medioda ms cercano).
Predecir el nmero de das para 500km.
x(km)
y(das)
825
3.5
215
1
1070
4
550
2
480
1
920
3
1350
4.5
325
1.5
670
3
1215
5
54.3
61.2
61.8
49.5
72.4
37.6
88.7
28.4
118.6
19.2
194
10.1
R: b) -0.998,
c) I * A1.4 = 16000 , I = 34.65.
29. Precios y antigedad
Los precios de mercado de un determinado artculo usado decrecen y se nivelan con la antigedad.
Se registraron los siguientes valores durante 10 aos.
x (aos)
y (miles de U$S)
1
2.77
2
2.36
3
1.89
4
1.62
5
1.40
6
1.36
7
1.33
8
1.11
9
1.05
10
0.90
124
Jorge Carlos Carr
Problemas
II Dos variables
R: b) 0.94,
c) y = 2.78e 0.115 x , y = 1.477.
Regresin mltiple
30. Alquiler vs tamao del departamento y distancia al centro de la ciudad
La tabla adjunta contiene una muestra de inquilinos de departamentos de una ciudad.
Alquiler
340
1010
450
520
370
320
N hab
2
6
3
3
2
1
distancia
1
1
2
3
10
4
Se trata de predecir el costo del alquiler Y basado en el tamao del departamento X1 (nmero de
habitaciones) y en la distancia en km al centro de la ciudad, X2. a) Calcular la ecuacin de
mnimos cuadrados que mejor relacione estas variables, b) explicar brevemente el significado de
cada coeficiente de regresin, c) calcular R2, d) si alguien est buscando un departamento de 2
habitaciones a 2 km de la ciudad, qu alquiler debera esperar?, f) verificar todas las respuestas
cargando los datos en el SPSS.
R: a) Alquiler = 73.22 + 148.7 N hab + 1.990distancia ,
c) 0.95,
d) $ 375 0.95
31. Se observa que la distancia no tiene mayor relevancia en la formacin del valor del alquiler. a)
Realizar una regresin parablica para Alquiler = f ( N hab) . Predecir el alquiler para 2
habitaciones. b) Obtener el coeficiente de determinacin.
R: a) Alquiler = 280 + 6.97( N hab) + 19.15( N hab) 2 , 370.5$,
b) 0.989
32. Discriminacin
Las empleadas de una empresa afirman que son discriminadas en su salario respecto de los
varones. El jefe de personal solicita los datos de antigedad (en meses), salario anual (en miles de
pesos) y sexo, para los integrantes de la empresa, los que se observan en la tabla adjunta.
Varones
Antiguedad Salario
6
7.5
10
8.6
12
9.1
18
10.3
30
13
Mujeres
Antiguedad Salario
5
6.2
13
8.7
15
9.4
21
9.8
125
137
Total
Calificacin
0-49
F
50-59
D
60-63
C64-69
C
70-73
C+
74-75
B76-78
B
79-80
B+
81-85
A86-100
A+
La universidad ha recibido muchas quejas sobre la calidad de la enseanza que imparten los
profesores graduados recin recibidos (nivel TA de la variable instruct). Para investigar esto
se pueden analizar las notas de los estudiantes que concurrieron a esas secciones del curso y
verificar si resultaron peores que el resto. Las pruebas estadsticas adecuadas se tratarn ms
adelante, pero podemos en principio comparar las distribuciones de frecuencias de las notas de
todas las secciones y ver si existe algn patrn de comportamiento.
Actividades para la variable total:
a) Obtener una distribucin de frecuencias con intervalos que comiencen con (20-30]
recodificando una nueva variable.
b) Obtener cada uno de los histogramas de las 6 secciones.
c) Obtener en un solo grfico de barras, las barras de error para cada una de las 6 secciones
agrupadas por instruct. Este grfico es el ms informativo para analizar la existencia o no de
diferencias entre las medias de las distintas secciones pues presenta las incertezas en el valor de ,
z (se estudiar en el captulo 5).
Apoyan los datos la preocupacin expresada por las quejas recibidas en la universidad?
d) Obtener en un solo grfico los diagramas de caja de cada una de las 6 secciones agrupadas por
intruct. Excluir los casos ms extremos (caracterizados por *), creando una muestra que no los
contenga (releer la seccin SPSS).
e) Obtener en un solo grfico el perfil de lneas para las 6 medias. Una posibilidad es generar un
grfico desde el visor a partir de una tabla pivote de las medias, obtenida con el procedimiento
OLAP cubes. Otra alternativa es generar directamente un grfico interactivo de lneas. En este
caso se pueden insertar al diagrama de lneas, las barras de error, en el momento de la creacin.
f) Obtener un grfico de barras 3D que muestre en el eje z los promedios de las notas, en el eje x
las categoras de examen 1, examen 2, final y total, y en el eje y las secciones. Ver el
procedimiento variables mltiples. Editar el grfico colocando el color amarillo para las
secciones del profesor y rojo para las del estudiante graduado. Repetir para cambiar la funcin
126
Jorge Carlos Carr
Problemas
Problemas con base de datos
127
De los 421 sujetos que han contestado que el aspecto que ms les preocupa es su salud,
exactamente____, es decir, el ____% han dicho que el aspecto que menos les preocupa es el
dinero en tanto que, por ejemplo, hay ____ individuos que han contestado que el aspecto que ms
les preocupa es el dinero y el que menos les preocupa es la salud.
En el captulo 5 se estudiar que cabe esperar un alto grado de relacin poblacional entre las dos
variables. El de la tabla a pesar de aumentar sensiblemente puesto que la n es muy grande (n =
____), es de exactamente ____________ El coeficiente de contingencia nos da exactamente
________.
Respuestas: a) la salud-421-44.9%-el dinero-238-25.4%-la armona familiar-24%-la vida afectiva5.8%-el dinero-396-42.2%. b) 251-59.6%-96. c) 938-367.788835-0-0.53072.
36. Ingresos
Abrir el archivo Trabajo.sav
Trabajando exclusivamente con el subgrupo de mujeres de la muestra, un total de ______y
cruzando las variables C16 y C17, resulta que tenemos nicamente _____casos vlidos. Se observa
que el estrato en el que sigue habiendo ms mujeres es el de _____________, con un total de
_____mujeres y un ____% sobre el total de estratos. Por otro lado y referente a la declaracin del
nivel de ingresos en el hogar, la mayor proporcin se sita en el nivel_________________ pesetas
por mes, con un ___% y un total de ____mujeres. nicamente hay ____mujeres que declaran que
sus ingresos en el hogar superan las 450000 pesetas por mes. El grupo ms numeroso de mujeres
se encuentra en la celda interseccin ______________habitantes, e ingresos comprendidos entre
____________pesetas por mes. Son ____mujeres que representan un ___% sobre el total de la
muestra. El coeficiente de contingencia es _____
Respuestas: 619-460-10001 y 50000 hab-112-24.3%-100000 y 150000 pesetas por mes-27.8%128-4-10001 y 50000-100000 y 150000 pesetas por mes-30-6.5%-0.359.
37. Estado civil
Abrir el archivo Trabajo.sav
Con las variables C16 en filas, C17 en columnas, C1 en la primer capa y C3 en la segunda capa, se
puede comprobar que: hay ____hombres solteros en la muestra que no tienen valores missing en
C16 y C17, y ___mujeres solteras. Hay ___hombres separados de los que _____viven en Madrid y
Barcelona y ______mujeres separadas de las que ____viven en Madrid y Barcelona. Por otro lado
nicamente encontramos un total de ____hombres viudos de los que exactamente ____, es decir
un ____%, declaran ingresar en su hogar entre 45000 y 75000 pesetas por mes, en tanto que
mujeres viudas en la muestra tenemos un total de ____, de las que el mayor porcentaje vive en
ncleos de poblacin de __________________habitantes, siendo esta proporcin de exactamente
el _____% del total.
Respuestas: 121-84-4-2-7-1-12-6-50%-61-10001 y 50000-23%.
38. Ingresos vs Sexo, Clase social, Satisfaccin
Abrir el archivo Trabajo.sav
Elaborar las tablas de contingencias de los siguientes cruces de variables, solo para aquellos
individuos de la muestra que trabajan actualmente (variable b1).
c17 con c1
c17 con c10
c17 con b36
Definir las opciones necesarias para contestar a las siguientes preguntas:
a) Cuntos empleados de la muestra tienen ingresos superiores a 450000 pesetas y que %
suponen sobre el total de empleados? R: __________
b) Cuntas mujeres hay con ingresos entre 275 y 350000 pesetas y que % suponen sobre el total
de empleados? R:_______________
c) Cul es la clase social con la que se identifican ms empleados? R:____________
Cuntos empleados se definen dentro de esta clase social y que % supone sobre el total de
empleados? R:_____ _______%
d) Cuntos empleados de clase media baja tienen ingresos entre 200 y 275000 pesetas y que %
suponen sobre el total de empleados de clase media baja? R:_____ ______%
e) Qu % de empleados se siente absolutamente satisfecho con su trabajo actual? R:_________%
f) De estos empleados absolutamente satisfechos, cuntos tienen ingresos entre 45 y 75000
2
128
Jorge Carlos Carr
Problemas
Problemas con base de datos
pesetas? R:_________
Respuestas: a) 5-1.7%. b) 9-3.1%. c) Media media-171-59.6%. d) 8-10.3%. e) 11.6%. f) 14.7%.
39. Voto Cautivo
Abrir los archivos Voto Cautivo.pdf y Voto Cautivo.sav.
A efectos de intentar medir la posible influencia que en el voto electoral representan los sectores
dependientes del gasto pblico, la fundacin Atlas www.atlas.org.ar, ha realizado un estudio
basado en fuentes oficiales. Se ha transferido al formato SPSS, archivo Voto Cautivo.sav, la
siguiente informacin discriminada para cada una de las 24 provincias argentinas.
Nombre
Etiqueta
Fuente
Variable
1- Nmero de
numhabit Censo 2001 Indec
habitantes
epp
Direccin Nacional de Coordinacin Fiscal con
2- Empleados
las Provincias. Ministerio de Economa. Ao
pblicos
2002. Los datos de Crdoba y Santa Cruz
provinciales
corresponden al ao 2000.
epm
Fundacin Atlas en base a datos oficiales.
3- Empleados
Agosto 2002
pblicos
municipales
4- Plan de jefas y pjj
Liquidacin Abril de 2004. Ministerio de
jefes
Trabajo.
vh
Eleccin a presidente. Abril 2003. Ministerio del
5- Nmero de
Interior
votantes
habilitados
6- Nmero de
ve
Eleccin a presidente. Abril 2003. Ministerio del
votantes efectivos
Interior
En el informe se postula que
"el estudio apunta a justipreciar una de las diversas formas en la que los recursos pblicos son
utilizados como activo electoral. Esto constituye uno de los pilares centrales para el desarrollo de
aparatos partidarios".
A tal efecto define la medida llamada Voto Cautivo vc, en relacin a los valores 2, 3 y 4 de la
tabla anterior:
vc = 2+3+4
Observar que los casos del archivo Voto Cautivo.sav son provincias y no habitantes. Los
datos contenidos en las celdas no son categorizaciones de los habitantes sino resmenes de
esas categorizaciones (en este ejemplo la suma de casos por provincia). Por lo tanto el
procedimiento Crosstabs no es el adecuado para contabilizar frecuencias relacionadas con
cruces de variables. Confrontar con el archivo del problema anterior.
a) Obtener una tabla en la que figuren (se pueden ver en el mencionado archivo pdf):
Nmero
Nombre de
Voto
Porcentaje
Porcentaje Porcentaje
de pjj
correlativo
provincia
Cautivo
de vc sobre de vc
respecto
de provincia
vc
el total de
respecto
de vc
vc
de ve
dentro de
dentro de
cada
cada
provincia
provincia
b) Expresar en forma de tabla o de diagrama de barras los resultados de cada una de las tres
ltimas columnas ordenadas en forma descendente.
c) Qu provincia se encuentra simultneamente en el podio de las ms cautivas (vc/ve) y en el
que los pjj tiene ms incidencia sobre vc (pjj/vc)?
d) Cul tiene la caracterstica inversa? (es decir cambiando la palabra ms por menos)
e) Cules son las 3 provincias con menos voto cautivo respecto del caudal electoral?
f) Cules son las 3 en las que el pjj tiene menos incidencia respecto de vc?
R: a) siguiente tabla. c) Jujuy, d) Cap Fed, e) Mendoza, Crdoba y Capital Federal, f) Cap Fed,
129
PROVINCI
BAIRES
CAPFED
CATAMARC
CHACO
CHUBUT
CORDOBA
CORRIENT
ENT_RIOS
FORMOSA
JUJUY
LAPAMPA
LARIOJA
MENDOZA
MISIONES
NEUQUEN
RIONEGRO
SALTA
SANJUAN
SANLUIS
SANTACRU
SANTAFE
STGODELE
TDF
TUCUMAN
24
Voto cautivo
1201464.00
155487.00
65359.00
161660.00
39540.00
225726.00
106293.00
113867.00
91522.00
101218.00
31218.00
53226.00
127029.00
81018.00
62648.00
56492.00
114848.00
67920.00
37455.00
25760.00
297665.00
94686.00
12312.00
142851.00
24
VC_TOTVC
34.65
4.48
1.89
4.66
1.14
6.51
3.07
3.28
2.64
2.92
.90
1.54
3.66
2.34
1.81
1.63
3.31
1.96
1.08
.74
8.59
2.73
.36
4.12
24
VC_VE
15.75
7.77
39.20
32.24
18.44
12.99
23.36
17.82
42.85
35.61
17.29
33.93
14.97
18.01
24.84
20.84
23.07
20.90
17.72
25.46
17.10
26.86
24.31
21.88
24
PJJ_VC
55.92
28.34
50.44
67.92
29.36
46.19
59.25
40.28
57.67
60.13
33.28
35.59
39.10
50.69
28.79
37.60
59.05
52.05
44.75
11.63
54.64
55.05
16.22
53.32
24
130
Jorge Carlos Carr
Problemas
Problemas con base de datos
131
Captulo1 E
Estadstica De
escriptiva
132
Jorg
ge Carlos Carrr
Problemas
Problemas con base de datos
133