viernes, 26 de junio de 2015

3.2 RANGO

Rango (estadística)

Es el intervalo entre el valor máximo y el valor mínimo; por ello, comparte unidades con loobtener una idea de la dispersión de los datos, cuanto mayor es el rango, más dispersos están los datos de un conjunto.
Por ejemplo, para una serie de datos de carácter cuantitativo, como lo es la estatura medida en centímetros, tendríamos:

x_1=185, x_2=165, x_3=170, x_4=182, x_5=155

es posible ordenar los datos como sigue:

x_{(1)}=155, x_{(2)}=165, x_{(3)}=170, x_{(4)}=182, x_{(5)}=185

donde la notación x_(i) indica que se trata del elemento i-ésimo de la serie de datos. De este modo, el rango sería la diferencia entre el valor máximo (k) y el mínimo; o, lo que es lo mismo:

R=x_{(k)}-x_{(1)}

En nuestro ejemplo, con cinco valores, nos da que R = 185-155 = 30.

Rango estadístico

Requisitos del rango

Ordenamos los números según su tamaño.
Restamos el valor mínimo del valor máximo

Rango = {(Max - Min)}

Ejemplo

Para la muestra (8, 7, 6, 9, 4, 5), el dato menor es 4 y el dato mayor es 9. Sus valores se encuentran en un rango de:

Rango = (9-4) = 5

Medio rango o Rango medio

El medio rango o rango medio de un conjunto de valores numéricos es la media del mayor y menor valor, o la tercera parte del camino entre el dato de menor valor y el dato de mayor valor. En consecuencia, el medio rango es:

medioRango = \frac{\ (Max + Min)}{2}

Ejemplo

Para una muestra de valores (3, 3, 5, 6, 8), el dato de menor valor Min= 3 y el dato de mayor valor Max= 8. El medio rango resolviéndolo mediante la correspondiente fórmula sería:

medioRango = \frac{\ (8 + 3)}{2} = 5.5

Representación del medio rango:

EJEMPLO

La diferencia entre el menor y el mayor valor.

En {4, 6, 9, 3, 7} el menor valor es 3, y el mayor es 9, entonces el rango es 9-3 igual a 6.

Rango puede significar también todos los valores de resultado de una función.

http://www.disfrutalasmatematicas.com/definiciones/images/range.gif

EJEMPLO

Hallar el rango de la matriz siguiente:

F₃ = 2F₁

F₄ es nula

F₅ = 2F₂ + F₁

r(A) = 2.

MEDIDA DE DISPERCION

Medidas de dispersión

Las medidas de dispersión, también llamadas medidas de variabilidad, muestran la variabilidad de una distribución, indicando por medio de un número si las diferentes puntuaciones de una variable están muy alejadas de la media. Cuanto mayor sea ese valor, mayor será la variabilidad, y cuanto menor sea, más homogénea será a la media. Así se sabe si todos los casos son parecidos o varían mucho entre ellos.
Para calcular la variabilidad que una distribución tiene respecto de su media, se calcula la media de las desviaciones de las puntuaciones respecto a la media aritmética. Pero la suma de las desviaciones es siempre cero, así que se adoptan dos clases de estrategias para salvar este problema. Una es tomando las desviaciones en valor absoluto (desviación media) y otra es tomando las desviaciones al cuadrado (varianza)

Propiedades

La varianza es siempre positiva o 0: $V_{X}^2 \geq 0$
Si a los datos de la distribución les sumamos una cantidad constante la varianza no se modifica.

Y_i = X_i + k

¹ c

S_Y^2 = \frac{\sum (Y_i - \bar{Y})^2}{n} = \frac{\sum [(X_i + k) - (\bar{X} + k)]^2}{n} = \frac{\sum (X_i + k - \bar{X} - k)^2}{n} = \frac{\sum (X_i - \bar{X})^2}{n} = S_X^2

Si a los datos de la distribución los multiplicamos por una constante, la varianza queda multiplicada por el cuadrado de esa constante.

Y_i = X_i \cdot k

S_Y^2 = \frac{\sum (Y_i - \bar{Y})^2}{n} = \frac{\sum (X_i \cdot k - \bar{X} \cdot k)^2}{n} = \frac{\sum [k \cdot (X_i - \bar{X})]^2}{n} = \frac{\sum [k^2 \cdot (X_i - \bar{X})^2]}{n} = k^2 \cdot \frac{\sum (X_i - \bar{X})^2}{n} = k^2 \cdot S_X^2

Propiedad distributiva: $V(X + Y) = V(X) + V(Y) +2COV(X,Y)$ , siempre y cuando las variables $X$ y $Y$ sean independientes

Covarianza

Artículo principal: Covarianza

La covarianza entre dos variables es un estadístico resumen indicador de si las puntuaciones están relacionadas entre sí. La formulación clásica se simboliza por la letra griega sigma (σ) cuando ha sido calculada en la población. Si se obtiene sobre una muestra, se designa por la letra "

s_{xy}

".
La fórmula suele aparecer expresada como:

\hat{S}_{xy} = \frac{\sum_{i=1}^n x_i y_i}{n-1} = \frac{\sum_{i=1}^n (X_i - \bar{X})(Y_i - \bar{Y})}{n-1}

Este tipo de estadístico puede utilizarse para medir el grado de relación de dos variables si ambas utilizan una escala de medida a nivel de intervalo/razón (variables cuantitativas).
La expresión se resuelve promediando el producto de las puntuaciones diferenciales por su tamaño muestral (n pares de puntuaciones, n-1 en su forma insesgada).
Este estadístico refleja la relación lineal que existe entre dos variables. El resultado numérico fluctúa entre los rangos de +infinito a -infinito. Al no tener unos límites establecidos no puede determinarse el grado de relación lineal que existe entre las dos variables, solo es posible ver la tendencia.

$-\infty \leq S_{xy} \leq +\infty$
$S_{xy} = \begin{cases} > 0, & \mbox{Correlaci}\acute{o}\mbox{n directa. Recta de regresi}\acute{o}\mbox{n creciente.} \\ = 0, & \mbox{No hay correlaci}\acute{o}\mbox{n.} \\ < 0. & \mbox{Correlaci}\acute{o}\mbox{n inversa. Recta de regresi}\acute{o}\mbox{n decreciente.} \end{cases}$

Coeficiente de Correlación de Pearson

El coeficiente de correlación de Pearson, r, permite saber si el ajuste de la nube de puntos a la recta de regresión obtenida es satisfactorio. Se define como el cociente entre la covarianza y el producto de las desviaciones típicas (raíz cuadrada de las varianzas).

r = \frac{V_{xy}}{\sqrt{V_x V_y}} = \frac{S_{xy}}{\sqrt{S_x^2 S_y^2}} = \frac{S_{xy}}{S_x S_y}

Teniendo en cuenta el valor de la covarianza y las varianzas, se puede evaluar mediante cualquiera de las dos expresiones siguientes:
Ejemplo Para una muestra de valores (3, 3, 5, 6, 8), el dato de menor valor Min= 3 y el dato de mayor valor Max= 8. El medio rango resolviéndolo mediante la correspondiente fórmula sería:

r = \frac{\frac{\sum x_i y_i}{n} - \bar{x}\bar{y}} {\sqrt{\left(\frac{\sum x_i^2}{n} - \bar{x}^{2}\right) \left(\frac{\sum y_i^2}{n} - \bar{y}^{2}\right)}}

r = \frac{n\sum x_i y_i - \sum x_i \sum y_i} {\sqrt{\left[n\sum x_i^2 - \left(\sum x_i\right)^2\right] \left[n\sum y_i^2 - \left(\sum y_i\right)^2\right]}}

Propiedades

El coeficiente de correlación, r, presenta valores entre –1 y +1.
Cuando r es próximo a 0, no hay correlación lineal entre las variables. La nube de puntos está muy dispersa o bien no forma una línea recta. No se puede trazar una recta de regresión.
Cuando r es cercano a +1, hay una buena correlación positiva entre las variables según un modelo lineal y la recta de regresión que se determine tendrá pendiente positiva, será creciente.
Cuando r es cercano a -1, hay una buena correlación negativa entre las variables según un modelo lineal y la recta de regresión que se determine tendrá pendiente negativa: es decreciente.es

EJEMPLOS

En seis sábados consecutivos un operador de taxis recibió 9, 7, 11, 10, 13 y 7 llamadas a su sitio para su servicio. Calcule:

2.4 Media geométrica

En matemáticas y estadística, la media geométrica de una cantidad arbitraria de números (por decir n números) es la raíz n-ésima del producto de todos los números, es recomendada para datos de progresión geométrica, para promediar razones, interés compuesto y números índices.

$\bar{x} = \sqrt[n]{\prod_{i=1}^n{x_i}} = \sqrt[n]{x_1 \cdot x_2 \cdots x_n}$

Por ejemplo, la media geométrica de 2 y 18 es

\sqrt[2]{2 \cdot 18} = \sqrt[2]{36} = 6

Otro ejemplo, la media de 1, 3 y 9 sería

\sqrt[3]{1 \cdot 3 \cdot 9} = \sqrt[3]{27} = 3

Propiedades

El logaritmo de la media geométrica es igual a la media aritmética de los logaritmos de los valores de la variable.
La media geométrica de un conjunto de números positivos es siempre menor o igual que la media artimética:

$(x_1 x_2 \dots x_n)^{\frac{1}{n}} \le \frac{x_1+ x_2 +\dots + x_n}{n}$

La igualdad sólo se alcanza si

x_1 = x_2 = \dots = x_n

Ventajas

considera todos los valores de la distribución y
es menos sensible que la media aritmética a los valores extremos.

Desventajas

es de significado estadístico menos intuitivo que la media aritmética,
su cálculo es más difícil y
en ocasiones no queda determinada; por ejemplo, si un valor $x_i = 0 \,$ entonces la media geométrica se anula.

Solo es relevante la media geométrica si todos los números son positivos. Como hemos visto, si uno de ellos es 0, entonces el resultado es 0. Si hubiera un número negativo (o una cantidad impar de ellos) entonces la media geométrica sería o bien negativa, o bien inexistente en los números reales.
En muchas ocasiones se utiliza su trasformación en el manejo estadístico de variables con distribución no normal.
La media geométrica es relevante cuando varias cantidades son multiplicadas para producir un total.

Media geométrica ponderada

Al igual que en una media aritmética pueden introducirse pesos como valores multiplicativos para cada uno de los valores con el fin de ponderar o hacer pesar más en el resultado final ciertos valores, en la media geométrica pueden introducirse pesos como exponentes:

$\bar{x} = \left({\prod_{i=1}^n{x_i}^{\alpha_i}}\right)^{\frac{1}{\sum_i{\alpha_i}}}= \left({x_1}^{\alpha_1}{x_2}^{\alpha_2}\dots{x_n}^{\alpha_n}\right)^{ \frac{1}{\alpha_1+ \dots+ \alpha_n}}$

Donde las

\alpha_i \,

son los «pesos».

Caso ilustrativo

Una cadena de expendedores de gasolina el año pasado aumentó sus ingresos respecto al año anterior en 21%; y han proyectado que este año van a llegar a un aumento de 28% con respecto al año pasado. ¿Cuánto es el promedio anual del aumento porcentual?
Definitivamente no es (21% + 28%):2 = 24,5%.
El monto de la producción, al final de dos años, es 100(1,21)(1,28)= 154,88. Si en cada año se tuviera una tasa anual de aumento de i% resulta

100 → 100(1+i) → 100(1 +i)².

Entonces

100(1 +i)² = 154,88

(1 +i)² = 1,5488

1 + i =

\sqrt{1,5488}

=1,244507

i = 0,244507 = 24,451%

Dónde ocurre

Geometría

la altura de un triángulo rectángulo cumple $h =\sqrt{mn}$ , siendo m y n las proyecciones de los catetos sobre la hipotenusa.

un cateto b cumple $b =\sqrt{ma}$ m su proyección y a la hipotenusa.

la tangente t a una circunferencia $t =\sqrt{sk}$ , s es secante y k la parte interna.

el lado de un cuadrado equivalente a un rectángulo es la media geométrica de los lados de este; el radio de un círculo equivalente a una elipse es la media geométrica de los semiejes de esta. Lo mismo el caso de la esfera con la elipsoide

el lado (arista) d de un cubo equivalente a un ortoedro de lados a, b, c es $d =\sqrt[3]{abc}$ ²

Pesas

El peso w de una sustancia que tiene pesos hallados por dos balanzas u y v , resulta

w =\sqrt{uv}

^EJEMPLO

Supongase que las utilidades obtenidas por una compañía constructora en cuatro proyectos fueron de 3, 2, 4 y 6%, respectivamente. ¿ Cúal es la media geométrica de las ganancias?.

En este ejemplo

y asi la media geométrica es determinada por

y así la media geométrica de las utilidades es el 3.46%.

La media aritmética de los valores anteriores es 3.75%. Aunque el valor 6% no es muy grande, hace que la media aritmética se incline hacia valores elevados. La media geométrica no se ve tan afectada por valores extremos.

Dibujo en barras del cálculo de la media geométrica del porcentaje de mujeres en los cinco principales departamentos de una empresa

EJEMPLO

Supongase que las utilidades obtenidas por una compañía constructora en cuatro proyectos fueron de 3, 2, 4 y 6%, respectivamente. ¿ Cúal es la media geométrica de las ganancias?.

En este ejemplo

y asi la media geométrica es determinada por

y así la media geométrica de las utilidades es el 3.46%.

2.3 MODA

En estadística, la moda es el valor con una mayor frecuencia en una distribución de datos.
Se hablará de una distribución bimodal de los datos adquiridos en una columna cuando encontremos dos modas, es decir, dos datos que tengan la misma frecuencia absoluta máxima. Una distribución trimodal de los datos es en la que encontramos tres modas. Si todas las variables tienen la misma frecuencia diremos que no hay moda.
El intervalo modal es el de mayor frecuencia absoluta. Cuando tratamos con datos agrupados antes de definir la moda, se ha de definir el intervalo modal.
La moda, cuando los datos están agrupados, es un punto que divide al intervalo modal en dos partes de la forma p y c-p, siendo c la amplitud del intervalo, que verifiquen que:

\frac{p}{c-p}=\frac{n_i-n_{i-1} }{n_i-n_{i+1} }

Siendo la frecuencia absoluta del intervalo modal las frecuencias absolutas de los intervalos anterior y posterior, respectivamente, al intervalo modal.

Moda de datos agrupados

Para obtener la moda en datos agrupados se usa la siguiente fórmula:

M = L_{i} + \left( \frac{D_1}{D_1+D_2} \right)A_{i}

Donde:

L_{i}

L

_{-inferior de la clase modal}.

D_1

= es el delta de frecuencia absoluta modal y la frecuencia absoluta premodal.

D_2

= es el delta de frecuencia absoluta modal y la frecuencia absoluta postmodal.

A_{i}

= Amplitud del intervalo modal

Propiedades

Sus principales propiedades son:

Cálculo sencillo.
Interpretación muy clara.
Al depender sólo de las frecuencias, puede calcularse para variables cualitativas. Es por ello el parámetro más utilizado cuando al resumir una población no es posible realizar otros cálculos, por ejemplo, cuando se enumeran en medios periodísticos las características más frecuentes de determinado sector social. Esto se conoce informalmente como "retrato robot".

Inconvenientes

Su valor es independiente de la mayor parte de los datos, lo que la hace muy sensible a variaciones muestrales. Por otra parte, en variables agrupadas en intervalos, su valor depende excesivamente del número de intervalos y de su amplitud.
Usa muy pocas observaciones, de tal modo que grandes variaciones en los datos fuera de la moda, no afectan en modo alguno a su valor.
No siempre se sitúa hacia el centro de la distribución.
Puede haber más de una moda en el caso en que dos o más valores de la variable presenten la misma frecuencia (distribuciones bimodales o multimodales)

\gamma n_{i-1} \gamma n_{i+1}

EJEMPLOS

Calcular la moda de una distribución estadística que viene dada por la siguiente tabla:

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

En la siguiente tabla se muestra las calificaciones (suspenso, aprobado, notable y sobresaliente) obtenidas por un grupo de 50 alumnos. Calcular la moda.

	f_i	h_i
[0, 5)	15	3
[5, 7)	20	10
[7, 9)	12	6
[9, 10)	3	3
	50