PROBABILIDAD Y ESTADISTICA. Tema 1: Introducción a la estadística El análisis estadístico nos provee un conjunto de principios y procedimientos para manipular, resumir e investigar datos con el fin de obtener información útil en la toma de decisiones. ESTADISTICA DESCRIPTIVA 1(1)-RV> 1 ¿PARA QUÉ SIRVE LA ESTADÍSTICA? La Ciencia se ocupa en general de fenómenos observables La Ciencia se desarrolla observando hechos, formulando leyes que los explican y realizando experimentos para validar o rechazar dichas leyes Los modelos que crea la ciencia son de tipo determinista o aleatorio (estocástico) La Estadística se utiliza como tecnología al servicio de las ciencias donde la variabilidad y la incertidumbre forman parte de su naturaleza “La Bioestadística [...] enseña y ayuda a investigar en todas las áreas de las Ciencias de la Vida donde la variablidad no es la excepción sino la regla” Carrasco de la Peña (1982) ESTADISTICA DESCRIPTIVA 1(1)-RV> 2 DEFINICIÓN La Estadística es la Ciencia de la • Sistematización, recogida, ordenación y presentación de los datos referentes a un fenómeno que presenta variabilidad o incertidumbre para su estudio metódico, con objeto de sintetizar la informacion. • deducir las leyes que rigen esos fenómenos, • y poder de esa forma hacer previsiones sobre los mismos, tomar decisiones u obtener conclusiones. ESTADISTICA DESCRIPTIVA 1(1)-RV> 3 Pasos en un estudio estadístico Plantear hipótesis sobre una población Decidir qué datos recoger (diseño de experimentos) Qué individuos pertenecerán al estudio (muestras) ¿Estratificado? ¿Sistemáticamente? Describir (resumir) los datos obtenidos tiempo medio de inasistencia en fumadores y no (estadísticos) % de inasistencia por fumadores y sexo (frecuencias), gráficos,... Realizar una inferencia sobre la población Número de bajas Tiempo de duración de cada baja ¿Sexo? ¿Sector laboral? ¿Otros factores? Recoger los datos (muestreo) Fumadores y no fumadores en edad laboral. Criterios de exclusión ¿Cómo se eligen? ¿Descartamos los que padecen enfermedades crónicas? Qué datos recoger de los mismos (variables) Los fumadores tienen “más inasistencias ” laborales que los no fumadores ¿En qué sentido? ¿Mayor número? ¿Tiempo medio? Los fumadores tienen inasistencia de al menos 10 días/año más de media que los no fumadores. No tienes que entenderlo (aún) Cuantificar la confianza en la inferencia Nivel de confianza del 95% Significación del contraste: p=2% ESTADISTICA DESCRIPTIVA 1(1)-RV> 4 MÉTODO CIENTÍFICO Y ESTADÍSTICA Plantear hipótesis Diseñar experimento Obtener conclusiones Recoger datos y analizarlos ESTADISTICA DESCRIPTIVA 1(1)-RV> 5 POBLACIÓN Y MUESTRA Población (‘population’) es el conjunto sobre el que estamos interesados en obtener conclusiones (hacer inferencia). Normalmente es demasiado grande para poder abarcarlo. Muestra (‘sample’) es un subconjunto suyo al que tenemos acceso y sobre el que realmente hacemos las observaciones (mediciones) Debería ser “representativo” Esta formado por miembros “seleccionados” de la población (individuos, unidades experimentales). ESTADISTICA DESCRIPTIVA 1(1)-RV> 6 VARIABLES Una variable es una característica observable que varía entre los diferentes individuos de una población. La información que disponemos de cada individuo es resumida en variables. En los individuos de la población humana, de uno a otro es variable: El grupo sanguíneo Su nivel de felicidad “declarado” {Deprimido, Ni fu ni fa, Muy Feliz} Var. Ordinal El número de hijos {A, B, AB, O} Var. Cualitativa {0,1,2,3,...} Var. Numérica discreta La altura {1’62 ; 1’74; ...} Var. Numérica continua ESTADISTICA DESCRIPTIVA 1(1)-RV> 7 TIPOS DE VARIABLES Cualitativas Si sus valores (modalidades) no se pueden asociar naturalmente a un número (no se pueden hacer operaciones algebraicas con ellos) Nominales: Si sus valores no se pueden ordenar Ordinales: Si sus valores se pueden ordenar Sexo, Grupo Sanguíneo, Religión, Nacionalidad, Fumar (Sí/No) Mejoría a un tratamiento, Grado de satisfacción, Intensidad del dolor Cuantitativas o Numéricas Si sus valores son numéricos (tiene sentido hacer operaciones algebraicas con ellos) Discretas: Si toma valores enteros Número de hijos, Número de cigarrillos, Num. de “cumpleaños” Continuas: Si entre dos valores, son posibles infinitos valores intermedios. Altura, Presión intraocular, Dosis de medicamento administrado, edad ESTADISTICA DESCRIPTIVA 1(1)-RV> 8 Pueden observarse muchas características diferentes para un mismo individuo. Estas características, dependiendo del tipo de valores que originan, pueden medirse con cuatro tipos distintos de escalas de medida. Escala nominal: La forma más simple de observación es la clasificación de individuos en clases que simplemente pueden distinguirse entre si pero no compararse ni realizar entre ellas operaciones aritméticas. En este tipo se incluyen características tales como la profesión, nacionalidad, grupo sanguíneo, provincia de origen, etc. Escala ordinal: A veces, las categorías obtenidas pueden ser ordenadas, aunque diferencias numéricas iguales a lo largo de la escala numérica utilizada para medir dichas clases no correspondan a incrementos iguales en la propiedad que se mide. Por ejemplo, puede asignarse un número de orden de nacimiento a un grupo de hermanos, sin que la diferencia de edad entre el 1º y el 2º de ellos sea la misma que la del 2º al 3º. Características de este tipo son: grado de mejoría de un paciente, las puntuaciones en test de aptitud, etc. ESTADISTICA DESCRIPTIVA 1(1)-RV> 9 Escala de intervalo: Esta escala, además de clasificar y ordenar a los individuos, cuantifica la diferencia entre dos clases, es decir, puede indicar cuanto más significa una categoría que otra. Para ello es necesario que se defina una unidad de medida y un origen, que es por su naturaleza arbitrario. Tal ocurre con la temperatura y también con la escala cronológica. Escala de razón: Es idéntica a la anterior, pero además existe un cero absoluto. En el apartado anterior hemos incluido el caso del tiempo, ya que no puede medirse con una escala de razón. En efecto, si consideramos las fechas 2000 DC y 1000 DC, aunque 2000 es el doble que 1000 no quiere decirse que el tiempo desde el origen del hombre sea el doble en un caso que en otro, pues hasta el año 0 DC han transcurrido un número de años desconocido. Ejemplos de características que pueden ser medidas a nivel de razón son el volumen de ventas, coste de producción, edad, cotización de un cierto tipo de acciones, etc. El nivel elegido para medir una característica condiciona el resto del análisis estadístico, pues las técnicas utilizadas deben tener en cuenta la escala que se ha empleado. En general cuanto mayor sea el nivel utilizado, mayor número de técnicas podrán aplicarse y mayor precisión se logrará, por lo que se recomienda usar la escala de intervalo o la de razón siempre que sea posible. ESTADISTICA DESCRIPTIVA 1(1)-RV> 10 Resumen de Tipos de variables y Escalas de Medición Variables Cualitativa o Atributo Escala de medición Cuantitativa o Númerica Escala de medición Nominal Intervalo Discreta Ordinal Razón Continua El siguiente link te lleva a un video sobre este tema: www.bioestadistico.com/index.php?option=com_content&view=article&id=84&Item id=65 ESTADISTICA DESCRIPTIVA 1(1)-RV> 11 Es buena idea codificar las variables con números para poder procesarlas con facilidad en un ordenador. Es conveniente asignar “etiquetas” a los valores de las variables para recordar qué significan los códigos numéricos. Sexo (Cualit: Códigos arbitrarios) Raza (Cualit: Códigos arbitrarios) 1 = Muy feliz 2 = Bastante feliz 3 = No demasiado feliz Se pueden asignar códigos a respuestas especiales como 1 = Blanca 2 = Negra,... Felicidad Ordinal: Respetar un orden al codificar. 1 = Hombre 2 = Mujer 0 = No sabe 99 = No contesta... Estas situaciones deberán ser tenidas en cuentas en el análisis. Datos perdidos ESTADISTICA DESCRIPTIVA 1(1)-RV> 12 Aunque se codifiquen como números, debemos recordar siempre el verdadero tipo de las variables y su significado cuando vayamos a usar programas de cálculo estadístico. No todo está permitido con cualquier tipo de variable. Los posibles valores de una variable suelen denominarse modalidades. Las modalidades pueden agruparse en clases (intervalos) Edades: Hijos: Menos de 20 años, de 20 a 50 años, más de 50 años Menos de 3 hijos, De 3 a 5, 6 o más hijos ESTADISTICA DESCRIPTIVA 1(1)-RV> 13 Las modalidades/clases deben forman un sistema exhaustivo y excluyente Exhaustivo: No podemos olvidar ningún posible valor de la variable Mal: ¿Cuál es su color del pelo: (Rubio, Moreno)? Bien: ¿Cuál es su grupo sanguíneo? Excluyente: Nadie puede presentar dos valores simultáneos de la variable Estudio sobre el ocio Mal: De los siguientes, qué le gusta: (deporte, cine) Bien: Le gusta el deporte: (Sí, No) Bien: Le gusta el cine: (Sí, No) Mal: Cuántos hijos tiene: (Ninguno, Menos de 5, Más de 2) ESTADISTICA DESCRIPTIVA 1(1)-RV> 14 PRESENTACIÓN ORDENADA DE DATOS 7 6 Género Frec. Hombre 4 5 4 3 2 Mujer 6 1 0 Hombre Mujer Las tablas de frecuencias y las representaciones gráficas son dos maneras equivalentes de presentar la información. Las dos exponen ordenadamente la información recogida en una muestra. ESTADISTICA DESCRIPTIVA 1(1)-RV> 15 Diagrama de Tallo y Hojas Ejemplo: Resistencia a la Tensión de 80 muestras de aleación Aluminio-Litio 105 120 163 194 218 145 196 221 168 131 133 157 171 201 183 167 154 156 101 148 200 186 141 115 123 171 158 176 121 245 160 134 165 160 150 181 228 208 178 172 175 170 180 174 158 76 158 149 118 143 199 133 167 169 87 149 ESTADISTICA DESCRIPTIVA 1(1)-RV> 97 181 207 184 199 160 154 158 180 135 151 237 153 176 190 229 142 150 174 110 193 146 163 135 16 Tallo 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Hoja 6 7 7 5 1 5 8 0 1 0 3 4 1 3 2 9 5 4 7 1 3 0 7 8 5 4 0 3 6 9 6 0 7 1 0 8 1 8 9 7 5 5 8 3 3 4 1 9 8 3 3 4 0 1 4 3 5 1 0 5 6 1 4 6 8 0 2 0 9 8 6 8 0 8 8 7 9 1 0 6 ESTADISTICA DESCRIPTIVA 1(1)-RV> Frecuencia 1 1 1 2 3 3 6 8 12 10 10 7 6 4 1 3 1 1 17 TABLAS DE FRECUENCIA Exponen la información recogida en la muestra, de forma que no se pierda nada de información (o poca). Frecuencias absolutas: Contabilizan el número de individuos de cada modalidad Frecuencias relativas (porcentajes): Idem, pero dividido por el total Frecuencias acumuladas: Sólo tienen sentido para variables ordinales y numéricas Muy útiles para calcular cuantiles (ver más adelante) ¿Qué porcentaje de individuos tiene menos de 3 hijos? Sol: 69,5% ¿Entre 4 y 6 hijos? Soluc 1ª: 8,4%+3,6%+1,6%= 13,6%. Soluc 2ª: 97,3% - 83,8% = 13,5% Número de hijos Sexo del encuestado Válidos Hombre Mujer Total Frecuencia 636 881 1517 Porcentaje 41,9 58,1 100,0 Porcentaje válido 41,9 58,1 100,0 Válidos Nivel de felicidad Válidos Perdidos Total Frecuencia Muy feliz 467 Bas tante feliz 872 No demas iado feliz 165 Total 1504 No contes ta 13 1517 Porcentaje 30,8 57,5 10,9 99,1 ,9 100,0 Porcentaje válido 31,1 58,0 11,0 100,0 Porcentaje acumulado 31,1 89,0 100,0 Perdidos Total 0 1 2 3 4 5 6 7 Ocho o más Total No contes ta ESTADISTICA DESCRIPTIVA 1(1)-RV> Frecuencia 419 255 375 215 127 54 24 23 17 1509 8 1517 Porcentaje 27,6 16,8 24,7 14,2 8,4 3,6 1,6 1,5 1,1 99,5 ,5 100,0 Porcentaje válido 27,8 16,9 24,9 14,2 8,4 3,6 1,6 1,5 1,1 100,0 Porcentaje acumulado 27,8 44,7 69,5 83,8 92,2 95,8 97,3 98,9 100,0 18 DATOS DESORDENADOS Y ORDENADOS EN TABLAS Variable: Género Modalidades: H = Hombre M = Mujer Género Frec. Frec. relat. porcentaje Hombre 4 4/10=0,4=40% Mujer 6 6/10=0,6=60% 10=tamaño muestral Muestra: MHHMMHMMMH equivale a HHHH MMMMMM ESTADISTICA DESCRIPTIVA 1(1)-RV> 19 Ejemplo ¿Cuántos individuos tienen menos de 2 hijos? ¿Qué porcentaje de individuos tiene 6 hijos o menos? frec. indiv. sin hijos + frec. indiv. con 1 hijo = 419 + 255 = 674 individuos 97,3% ¿Qué cantidad de hijos es tal que al menos el 50% de la población tiene una cantidad inferior o igual? Número de hijos 0 1 2 3 4 5 6 7 Ocho+ Total Frec. 419 255 375 215 127 54 24 23 17 1509 Porcent. (válido) 27,8 16,9 24,9 14,2 8,4 3,6 1,6 1,5 1,1 100,0 Porcent. acum. 27,8 44,7 69,5 83,8 92,2 95,8 97,3 98,9 100,0 ≥50% 2 hijos ESTADISTICA DESCRIPTIVA 1(1)-RV> 20 Principios a utilizar al construir una Tabla de Distribución de Frecuencias, TDF. Aunque esta tabla sirve para resumir información de variables discretas ó continuas, de manera particular la TDF permite transformar una variable continua, a una variable discreta definida por el número de intervalos y su frecuencia. Esta transformación permite construir gráficos de histogramas o polígonos. Con Variables continuas como (peso, altura, producción / superficie, etc.) el recorrido de la variable se parte en intervalos semiabiertos, las clases. •Lo primero para construir una TDF es definir el “número de clases” ó intervalos a crear y el “intervalo o ancho” de cada intervalo. Para que los gráficos permitan visualizar tendencias de la variable en estudios, el número de clases se recomienda que no sean menor de 5 ni mayor de 20. •Al ancho de clase se calcula dividiendo el Rango (valor mayor – valor menor), con un valor que debe variar entre 5 y 20. Hay que utilizar más clases cuando se tiene más datos disponibles, si el número de clases es muy grande es posible tener muchas clases vacías, si es demasiado pequeño podrían quedar ocultas características importantes de los datos al agruparlos. Se tendría que determinar el número de clases a partir de la cantidad de datos presente y de su uniformidad, en general con menos de treinta datos se usa una TDF con 5 clases. 21 ESTADISTICA DESCRIPTIVA 1(1)-RV> El valor central de una clase se llama “marca de clase”, este valor se usa para construir los gráficos de polígonos de frecuencia. Veamos un ejemplo de cómo se construye una Tabla de Distribución de Frecuencias. Es importante resaltar que con las variables nominales no se construyen intervalos, límites ó marcas de clase, estos no tienen sentido con este tipo de variable. Ejemplo con Datos de ingresos de 24 familias. Variable: Ingresos quincenales en $ por familia, n = 24 datos. 1,450 1,443 1,536 1,394 1,623 1,650 1,480 1,355 1,520 1,550 1,425 1,360 1,430 1,450 1,680 1,540 1,328 1,304 1,360 1,600 1,350 1,430 1,304 1,260 Secuencia de actividades Se calcula el Rango de los datos, valor mayor menos valor menor : 1680- 1,260 = 420 $. Ancho de clase: El rango se divide en cuatro, 420/4= 105 $, se ajusta a 100 $ y de esta manera el número de clases queda en cinco. Se construye los límites inferiores y superiores de cada clase como intervalos semiabiertos, Luego se cuentan las frecuencias por clase, esto es la Frecuencia Absoluta Se calcula la Frecuencia Relativa (Frecuencia Absoluta / n) Se hace Frecuencia Acumulada. que es la suma de las frecuencias absolutas. ESTADISTICA DESCRIPTIVA 1(1)-RV> También se pueden hacer las frecuencias expresadas en porcentajes. 22 Tabla de Distribución de frecuencias, TDF. Clase 1 2 3 4 5 Total Lím Inf 1,200 1,300 1,400 1,500 1,600 Lim. Sup Marca de clase Frec Abs <1,300 1,250 1 <1,400 1,350 8 <1,500 1,450 7 <1,600 1,550 4 <1,700 1,650 4 24 Fre Rel 0.04 0.33 0.29 0.17 0.17 1.00 Frec Acum 1 9 16 20 24 HISTOGRAMA- El Polígono es una línea quebrada que se construye uniendo los puntos medios en la parte superior de cada barra, marca de clase de un histograma ESTADISTICA DESCRIPTIVA 1(1)-RV> 23 GRÁFICOS PARA V. CUALITATIVAS Diagramas de barras Diagramas de sectores (tartas, polares) Alturas proporcionales a las frecuencias (abs. o rel.) Se pueden aplicar también a variables discretas No usarlo con variables ordinales. El área de cada sector es proporcional a su frecuencia (abs. o rel.) Pictogramas Fáciles de entender. El área de cada modalidad debe ser proporcional a la frecuencia. ¿De los dos, cuál es incorrecto?. ESTADISTICA DESCRIPTIVA 1(1)-RV> 24 GRÁFICOS DIFERENCIALES PARA VARIABLES NUMÉRICAS 419 400 375 Son diferentes en función de que las variables sean discretas o continuas. Valen con frec. absolutas o relativas. 255 215 200 127 100 54 24 Diagramas barras para v. discretas 0 1 2 3 4 5 6 23 17 7 Ocho o más Número de hijos Se deja un hueco entre barras para indicar los valores que no son posibles 250 200 Histogramas para v. continuas El área que hay bajo el histograma entre dos puntos cualesquiera indica la cantidad (porcentaje o frecuencia) de individuos en el intervalo. Recuento Recuento 300 150 100 50 20 40 60 80 Edad del encuestado ESTADISTICA DESCRIPTIVA 1(1)-RV> 25 DIAGRAMAS INTEGRALES Cada uno de los anteriores diagramas tiene su correspondiente diagrama integral. Se realizan a partir de las frecuencias acumuladas. Indican, para cada valor de la variable, la cantidad (frecuencia) de individuos que poseen un valor inferior o igual al mismo. No los construiremos en clase. Se pasan de los diferenciales a los integrales por integración y a la inversa por derivación. ESTADISTICA DESCRIPTIVA 1(1)-RV> 26 ¿QUÉ HEMOS VISTO? Definición de estadística Población Muestra Variables Cualitativas Numéricas Presentación ordenada de datos Tablas de frecuencias absolutas relativas acumuladas Representaciones gráficas Cualitativas Numéricas Diferenciales Integrales Muchas gracias a la cátedra de Bioestadística de la Universidad de Málaga, por permitirnos usar sus ppt y adaptarlos. ESTADISTICA DESCRIPTIVA 1(1)-RV> 27