Escuela Superior Politécnica del Litoral
Instituto de Ciencias Humanísticas y Económicas
Carrera de Ingeniería Comercial
Profesor: Leonardo Sánchez Aragón
CLASE 2: REPASO DE ESTADÍSTICA DESCRIPTIVA E
INFERENCIAL
ANALISIS DESCRIPTIVO DE UNA VARIABLE CUALITATIVA
EN ESCALA ORDINAL
Supongamos que se desea analizar el efecto de un tratamiento en pacientes con cáncer
de colon, pero se sospecha que dicho efecto puede ser distinto según el grado de
extensión del cáncer. Para comprobarlo, se aplicará el tratamiento a un grupo de
pacientes y, después de un período de observación, se analizará su efecto considerando
el grado de extensión del cáncer al inicio del tratamiento.
El cáncer toma valores no numéricos que describen cualidades o atributos. Además las
cualidades presentan un orden natural (de menor a mayor extensión). Por tanto, a la
asignar códigos numéricos a las cinco modalidades del grado de extensión del cáncer,
hay razones evidentes para asignarles códigos de menor a mayor valor en el orden
enumerado.
Statistics
Grado de extensión del cáncer
N Valid 112
Missing 0
Median 2.00
Mode 1
Percentile 25 1.00
s
50 2.00
75 3.00
Grado de extensión del cáncer
Frequency Percent Valid Percent Cumulative Percent
Valid A 43 38.4 38.4 38.4
B1 28 25.0 25.0 63.4
B2 17 15.2 15.2 78.6
C1 14 12.5 12.5 91.1
C2 10 8.9 8.9 100.0
Total 112 100.0 100.0
ANALISIS DESCRIPTIVCO DE UN AVARIABLE CUANTITATIVA EN
ESCALA DE INTERVALO O DE RAZON: ESTUDIO DESCRPTIVO DE
NORMALIDAD
Supongamos que se desea comprobar el efecto de un tratamiento en pacientes con
infarto de miocardio. Para ello se observa el índice cardiaco sobre un conjunto de
pacientes al ingresar en el hospital, con la intención de analizar el efecto del tratamiento
al final del mismo. La técnica estadística que se utilizará en dicho análisis exige que las
variables implicadas sigan una distribución Normal, por lo que, antes de proceder al
estudio, se desea realizar u a descripción del grupo objeto de análisis en dicho sentido.
El índice cardiaco en una variable cuantitativa continúa. Si la variable únicamente
pudiera tomar una cantidad finita o numerable de valores se diría que es continua
discreta. Si además, tiene sentido hablar de la razón entre sus valores (un índice de 4 es
el doble a un índice de 2), se diría que la variable esta medida en escala o razón. Al
estudiar los valores del índice no tiene sentido agrupar los datos en frecuencias, a
diferencia de antes en donde los valores que pida tomar la variable era un grupo
reducido.
Análisis descriptivo.
A continuación se realiza el estudio descriptivo de la distribución de los valores del
índice cardiaco. El histograma es una representación gráfica de la distribución de los
valores de variables cuantitativas en la que los datos agrupados en intervalos de la
misma longitud, y cada uno de los posibles intervalos se representa mediante un
rectángulo de área proporcional a la frecuencia de datos en el intervalo correspondiente
El punto medio de cada intervalo, denominado marca de clase, nos permite identificar el
grupo de valores en el intervalo correspondiente
Statistics
Índice cardíaco (l/m2)
N Valid 111
Missing 0
Mean 2.9356
Median 2.6983
Mode .73
Std. Deviation 1.29622
Variance 1.68018
Skewness 1.067
Std. Error of Skewness .229
Kurtosis 1.645
Std. Error of Kurtosis .455
Range 6.63
Minimum .73
Maximum 7.36
Percentiles 10 1.3822
20 1.8427
30 2.2599
40 2.5254
50 2.6983
60 3.0237
70 3.4078
80 3.8516
90 4.4885
a Multiple modes exist. The smallest value is shown
El histograma tiende a concentrarse en torno al valor 2.5. Al tener datos con
cuantitativos continuos pueden generar varias modas. El uso de la media y la desviación
estándar son índices convenientes solo cuando la distribución de datos es
aproximadamente normal, o al menos, simétrica y unimodal. Es decir, si los datos están
dispersos alrededor de la media, tanto ella como la desviación son suficientes para
describir los datos que se tienen.
Diagrama de Tallo y hojas ( o histograma digital)
El diagrama de tallo y hojas es un procedimiento semigráfico para presentar la
información para variables cuantitativas, que es especialmente útil cuando el numero
total de datos es pequeño (menor a 50). La ventaja es que conserva los datos
originales.
Índice cardíaco (l/m2) Stem-and-Leaf Plot
Frequency Stem & Leaf
2.00 0 . 78
13.00 1 . 1222233333444
10.00 1 . 5566678888
17.00 2 . 00011112233333334
24.00 2 . 555555566666667778888999
13.00 3 . 0012222223334
14.00 3 . 55566678888899
7.00 4 . 0000133
4.00 4 . 5558
1.00 5 . 2
2.00 5 . 88
4.00 Extremes (>=6.3)
Stem width: 1.00
Each leaf: 1 case(s)
Gráfico de caja y bigotes
Este permite analizar y resumir un conjunto de datos univariante dado. Esta herramienta
de análisis exploratorio de datos va a permitir estudiar la simetría de los datos, detectar
valores atípicos y vislumbrar un ajuste de los datos a una distribución de frecuencia
determinada.
La línea horizontal del interior de la caja corresponde a la mediana, cuyo valor será 2.69
y tenemos algunos valores atípicos. A simple vista se puede decir
Estudio descriptivo de la normalidad
En todo experimento cuyos resultados dependen del azar es posible definir una variable
aleatoria.
El coeficiente de curtosis es una medida de la concentración de la distribución en torno
a la media. Si la distribución es normal, este coeficiente es cero. Si es positivo, entonces
nos indica que la distribución tienda a concentrarse más en torno a la media. Si el
coeficiente es negativo, la distribución tiende a dispersarse más. El coeficiente de
asimetría, indica que si es igual a cero la distribución es simétrica alrededor de la media.
Si es positivo, indica que las desviaciones por encima de la media son mayores que las
inferiores. Y si es negativo, lo contrario.
Descriptive Statistics
N Mean Std. Deviation Skewness Kurtosis
Statistic Statistic Statistic Statistic Std. Error Statistic Std. Error
Índice cardíaco 111 2.9356 1.29622 1.067 .229 1.645 .455
(l/m2)
Valid N (listwise) 111
Descriptive Statistics
N Mean Std. Deviation Skewness Kurtosis
Statistic Statistic Statistic Statistic Std. Error Statistic Std. Error
Zscore: Índice 111 .0000000 1.00000000 1.067 .229 1.645 .455
cardíaco (l/m2)
Valid N (listwise) 111
Hasta que punto la variable, indice cardiaco, se desvía de una normal. Si fuera normal,
el 68% d elos datos estuviera alrededor del intervalo (-1, 1), el 95% de los datos
alrededor de (-2,2)
Statistics
Zscore: Índice cardíaco (l/m2)
N Valid 111
Missing 0
Percentile 2.5 -1.4400673
s
16 -1.0245100
84 .8234508
97.5 2.9948926
ELEMENTOS BÁSICOS DE INFERENCIA ESTADÍSTICA: ESTIMACIÓN
PUNTUAL E INTERVALOS DE CONFIANZA.
A partir de la observación de un conjunto de datos obtenidos en condiciones
independientes y tales que siguen una distribución con forma conocida, pero con
parámetros desconocidos, la estimación puntual consiste en estimar dichos parámetros.
La información proporcionada por la estimación puntual es insuficiente, en general, por
lo que una alternativa es proporcionar un intervalo tal que, con una probabilidad fijada a
priori, contenga al verdadero valor del parámetro.
Pruebas estadísticas
Las pruebas estadísticas se utilizan para decidir si cierta propiedad supuesta para una
población es confirmada por la observación de una muestra. El procedimiento
estadístico de decisión consistirá en formular una hipótesis sobre la población, elegir la
prueba estadística adecuada para contrastar dicha hipótesis aplicar la prueba sobre la
muestra observada.
Prueba T para una muestra
Supongamos que se sospecha que un tratamiento para la artrosis puede producir
descenso en las cifras de hemoglobina en los hombres. Para comprobarlo, se aplica el
tratamiento sobe un conjunto de 100 hombres con artrosis. Antes del tratamiento se
mide el nivel de hemoglobina y la media es 15 siguiendo los datos una distribución
normal. Al cierre del estudio solo se conoce la información final de 70 hombres. Previo
al análisis se desea comprobar que la muestra de 70 pacientes es adecuada, en el sentido
de que la distribución de la hemoglobina inicial sobre los 70 pacientes al cierre del
estudio coincide con la de la población original de 100 hombres. Para ello se realiza la
prueba t.
One-Sample Statistics
N Mean Std. Deviation Std. Error Mean
Hemoglobina inicial, (gr/100 ml) 70 14.9954 .53566 .06402
One-Sample Test
Test Value = 15
t df Sig. (2-tailed) Mean Difference 95% Confidence
Interval of the
Difference
Lower Upper
Hemoglobina -.072 69 .943 -.0046 -.1323 .1231
inicial, (gr/100
ml)
Dado que el p-value es mayor al 5%, se puede concluir que la muestra de 70 personas
sobre la que se conoce el resultado del tratamiento al cierre del estudio es representativa
de la población sometida al tratamiento.
Prueba T para dos muestras relacionadas
Supongamos que se sospecha de que un tratamiento para la artrosis puede producir
descenso en la cifras de hemoglobina plasmática en los hombres. Para comprobarlo, se
aplica el tratamiento a una muestra de 70 hombres con artrosis tal que la distribución de
la hemoglobina corresponde a la de hombres en condiciones normales y, después de un
período de observación, se analiza de nuevo la hemoglobina. Para comprobar si el
tratamiento produce variación en la cifra de hemoglobina plasmática o, lo que es lo
mismo, si la hemoglobina final es distinta de la inicial, la prueba que se aplicará es la t
de student para dos muestras relacionadas.
Se concluye que no se puede aceptar que el nivel de hemoglobina inicial es igual al
final.
Prueba T para dos muestras independientes.
Después de comprobar, sobre una muestra de 70 hombres, que un tratamiento para la
artrosis suponía una disminución de hemoglobina, se sospecha, al observar que 28 de
ellos tenían ulcera, que esta puede ser la razón de la disminución y no el tratamiento.
Para determinar si la disminución de hemoglobina es la misma independientemente de
la existencia o no de úlcera, la prueba que se aplicará es la t de student para dos
muestras independientes.
Se supone que se dispone de muestras de 2 poblaciones y que, sobre cada individuo de
cada muestra, se mide una variable con distribución normal. La prueba t de student
sobre dos muestras independientes se utiliza para contrastar la hipótesis nula de que las
muestras procedan de dos sub-poblaciones en las que la media de de una es la misma.