Sesión 1

Análisis de datos

Atiende las indicaciones del docente.

¿Sabías qué?
¿Sabías que los científicos no siempre están de acuerdo sobre el significado de
los datos? Diferentes científicos pueden analizar el mismo conjunto de datos y
ofrecer diferentes explicaciones, y el desacuerdo entre científicos no indica que
haya mala ciencia.

Realiza la siguiente actividad.

Antes de decidir qué te vas a poner en la mañana, consideras una variedad de
datos:
 La temporada del año.
 El pronóstico meteorológico.
 Cuáles prendas de tu ropa están limpias o sucias.
 Lo que harás durante el día.

1. Suponiendo que es verano y sabes que vas a estar al aire libre y que unas horas
vas a estar en un edifico con aire acondicionado, ¿qué ropa elegirías?

Este ejemplo puede parecer simplista, pero refleja la manera en la que los
científicos recogen datos, los analizan y los interpretan.
La estadística descriptiva permite a los científicos sumar rápidamente los
atributos más importantes de un conjunto de datos, usando medidas como el
promedio, la media, y la desviación estándar. Estas medidas proveen un sentido
general del grupo estudiado, permitiéndoles a los científicos colocar el estudio
en un contexto más amplio.
4
 Realiza la lectura guiada del siguiente texto.

La contaminación del aire se puede definir como la presencia en la atmósfera de

uno o más elementos, en cantidad suficiente, con ciertas características y una
permanencia determinada, que pueda causar efectos indeseables tanto en el ser
humano, la vegetación, los animales, las construcciones y los monumentos. Estos
elementos pueden ser polvo, olores, humos o vapor.
Por lo anterior, se requieren mecanismos para informar a la población de manera
adecuada y oportuna sobre los niveles de contaminación y su variación en el
tiempo, con el fin de salvaguardar la salud pública.
Gobierno de la Ciudad de México. Dirección de monitoreo atmosférico. (14 noviembre 2018).
Norma ambiental para el Distrito Federal NADF-009-Aire-2017, que establece los requisitos para
elaborar el índice de calidad del aire en la Ciudad de México.
[Link]

Un primer análisis que se puede utilizar para cuantificar la contaminación del aire
es el resumen estadístico de las mediciones en un periodo de tiempo
determinado.
Tabla 1. Concentraciones de ozono observadas el primero de enero de 2023 en la
Ciudad de México.
Estación de monitoreo
FECHA HORA
BJU CUA GAM IZT MGH MPA

01/01/2023 1 1 22 2 3 2 30

01/01/2023 2 1 26 2 2 4 30

01/01/2023 3 1 25 2 2 4 31

01/01/2023 4 1 25 2 2 2 31

01/01/2023 5 1 23 3 2 2 31

01/01/2023 6 1 21 2 2 2 32

01/01/2023 7 1 17 3 2 2 25

01/01/2023 8 1 18 3 3 2 22

01/01/2023 9 3 20 5 6 5 27

01/01/2023 10 18 31 21 23 23 32

01/01/2023 11 45 39 45 49 51 41

01/01/2023 12 63 50 44 60 64 47

01/01/2023 13 53 62 45 60 74 44

5
 Estación de monitoreo
FECHA HORA
BJU CUA GAM IZT MGH MPA

01/01/2023 14 47 57 56 47 60 37

01/01/2023 15 42 51 49 42 52 39

01/01/2023 16 39 48 41 39 48 42

01/01/2023 17 37 37 36 37 45 42

01/01/2023 18 32 33 31 35 32 37

01/01/2023 19 28 28 26 27 21 36

01/01/2023 20 23 23 19 19 11 35

01/01/2023 21 14 18 12 15 4 31

01/01/2023 22 4 19 5 8 1 29

01/01/2023 23 4 9 2 13 2 28

01/01/2023 24 5 12 2 11 8 28

Red Automática de Monitoreo Atmosférico (RAMA). (2003}. Bases de datos.

[Link]

Medidas de tendencia central para datos no agrupados

Las medidas de tendencia central son valores numéricos que tienden a localizar
la parte central de un conjunto de datos. Cada una de ellas ofrece un centro de
la distribución de frecuencias, lo que implica que representa un valor que se
puede tomar como representativo de todos los datos. Hay diferentes modos para
definir el centro de las observaciones en un conjunto de datos: Media aritmética,
mediana y moda.

Media aritmética
𝑛
1 También denominada promedio, se define
𝑥ҧ = ෍ 𝑥𝑖
𝑛 como la suma de los valores de todas las
𝑖=1 observaciones divididas por el número total
Donde: de datos. Se representa por xത .
xത =media aritmética
xi =dato i
n= número de datos

Se aplica cuando no hay grandes dispersiones.

6
 Mediana
Para hallar la mediana, se ordenan los
La mediana (𝑥𝑚𝑒𝑑 ) es el valor números y se determina el que queda en
que se encuentra en el lugar el medio. Si la cantidad de términos es
central de todos los datos cuando impar, la mediana es el valor central. Si la
éstos están ordenados de menor cantidad de términos es par, suma los
a mayor. dos términos del medio y se divide entre
dos.

Leal, D. (2020). Guía de estudio: Análisis de datos. Aula virtual de salud.

[Link]
dora.%202do.%20A%C3%[Link]?forcedownload=1

Realiza la siguiente actividad.

2. Con la información de la Tabla 1 obtén el promedio y la mediana de las
concentraciones de ozono (O3) observadas el primero de enero de 2023 en la
Ciudad de México, en cada una de las estaciones de monitoreo.

BJU – Benito Juárez

Promedio

𝑥𝑖 = 1, 1, 1, 1, 1, 1, 1, 1, 3, 18, 45, 63, 53, 47, 42, 39, 37, 32, 28, 23, 14, 4, 4, 5
n=

𝑛
1 465
𝑥ҧ = ෍ 𝑥𝑖 = =
𝑛
𝑖=1

Mediana
Ordenan los números y determina el que queda en el medio.

𝑥𝑖 =
Suma los dos términos del medio y divide entre dos.

𝑥𝑚𝑒𝑑 = =
2

7
 CUA – Cuajimalpa
Promedio Mediana

𝑛
1
𝑥ҧ = ෍ 𝑥𝑖 = = 𝑥𝑚𝑒𝑑 = =
𝑛 2
𝑖=1

GAM – Gustavo A. Madero

Promedio Mediana

𝑛
1
𝑥ҧ = ෍ 𝑥𝑖 = = 𝑥𝑚𝑒𝑑 = =
𝑛 2
𝑖=1

IZT – Iztacalco

Promedio Mediana

𝑛
1
𝑥ҧ = ෍ 𝑥𝑖 = = 𝑥𝑚𝑒𝑑 = =
𝑛 2
𝑖=1

MGH – Miguel Hidalgo

Promedio Mediana

𝑛
1
𝑥ҧ = ෍ 𝑥𝑖 = = 𝑥𝑚𝑒𝑑 = =
𝑛 2
𝑖=1

8
 MPA – Milpa Alta
Promedio Mediana

𝑛
1
𝑥ҧ = ෍ 𝑥𝑖 = = 𝑥𝑚𝑒𝑑 = =
𝑛 2
𝑖=1

Realiza un resumen estadístico para las mediciones observadas de

concentración de ozono el primero de enero de 2023 en la Ciudad de México,
presentando el promedio y la mediana de las estaciones de monitoreo y
contesta las siguientes preguntas.

Estación de monitoreo
Parámetro
BJU CUA GAM IZT MGH MPA

Promedio

Mediana

3. ¿Cuál es el promedio de concentración de ozono (O3) que se observó el

primero de enero de 2023 en la Ciudad de México?

4. ¿En qué estación de monitoreo se registró el mayor promedio de

concentración de ozono (O3)?

5. ¿Qué estación de monitoreo registro la mediana de concentración de ozono

(O3) más elevada?

9
6. ¿Consideras que la media aritmética es el parámetro adecuado para
determinar la variación de la concentración de ozono (O3) en la Ciudad de
México?
Si ( ) No ( )
¿Por qué?

Participa en la plenaria, comparte tus resultados y experiencias.

10
 Sesión 2
Variabilidad de los datos

Atiende las indicaciones del docente.

Imagínate que te vas de viaje con tus amigos y el hotel dónde se están alojando
cuenta con una piscina que tiene una profundidad media de 1.50 metros.
Considerando que tu altura es de 1.60 metros, podrías pensar entrar a la piscina
sin ningún inconveniente.
Sin embargo, como no sabes nadar, prefieres ser precavido y conocer si toda la
piscina cuenta con la misma profundidad. Para ello, te diriges donde el salvavidas
y le consultas cuál es la altura máxima y mínima, ya que, en base a eso, podrás
decidir si puedes utilizar toda la piscina o solo moverte hasta un determinado
punto.
Resulta que la altura máxima de la piscina es de 1.80 metros; mientras que la
mínima es de 1.40 metros. Esto quiere decir que, si te mueves hasta el punto más
profundo, puede ser que corras peligro.
Para mejorar tu análisis de datos, introducir algunas medidas de dispersión
estadística puede ser una excelente manera de mejorar el análisis e
interpretación de los datos.
Estas medidas ayudan a determinar cómo se distribuyen los datos y cómo se
relacionan entre sí.
Carranza, A. (26 mayo, 2022). Medidas de dispersión: ¡basa tus decisiones en datos veraces y
olvídate de las dudas existenciales. Crehana. [Link]
digital/medidas-de-dispersion/

Realiza la siguiente actividad.

1. Con base en el resumen estadístico de la sesión anterior podemos asegurar
que en las estaciones de monitoreo IZT – Iztacalco y MGH – Miguel Hidalgo se
registró en promedio la misma concentración para O3 el primero de enero de
2023.
Si ( ) No ( )

11
 ¿Por qué?

2. Y que en la estación BJU – Benito Juárez la concentración observada de

ozono fue mayor que en la estación GAM – Gustavo A. Madero.
Argumenta tu respuesta.

Atiende la lectura guiada del siguiente texto.

Las medidas de tendencia central ofrecen una idea aproximada del
comportamiento de una serie estadística. No obstante, no resultan suficientes
para expresar sus características: una misma media puede provenir de valores
cercanos a la misma o resultar de la confluencia de datos estadísticos
enormemente dispares. Para conocer en qué grado las medidas de tendencia
central son representativas de la serie, se han de complementar con medidas de
dispersión como la varianza o la desviación estándar.
Tabla 1. Concentraciones de ozono observadas el primero de enero de 2023 en la
Ciudad de México.
Estación de monitoreo
FECHA HORA
BJU CUA GAM IZT MGH MPA

01/01/2023 1 1 22 2 3 2 30

01/01/2023 2 1 26 2 2 4 30

01/01/2023 3 1 25 2 2 4 31

01/01/2023 4 1 25 2 2 2 31

01/01/2023 5 1 23 3 2 2 31

01/01/2023 6 1 21 2 2 2 32

12
 Estación de monitoreo
FECHA HORA
BJU CUA GAM IZT MGH MPA

01/01/2023 7 1 17 3 2 2 25

01/01/2023 8 1 18 3 3 2 22

01/01/2023 9 3 20 5 6 5 27

01/01/2023 10 18 31 21 23 23 32

01/01/2023 11 45 39 45 49 51 41

01/01/2023 12 63 50 44 60 64 47

01/01/2023 13 53 62 45 60 74 44

01/01/2023 14 47 57 56 47 60 37

01/01/2023 15 42 51 49 42 52 39

01/01/2023 16 39 48 41 39 48 42

01/01/2023 17 37 37 36 37 45 42

01/01/2023 18 32 33 31 35 32 37

01/01/2023 19 28 28 26 27 21 36

01/01/2023 20 23 23 19 19 11 35

01/01/2023 21 14 18 12 15 4 31

01/01/2023 22 4 19 5 8 1 29

01/01/2023 23 4 9 2 13 2 28

01/01/2023 24 5 12 2 11 8 28

Red Automática de Monitoreo Atmosférico (RAMA). (2023}. Bases de datos.

[Link]

Medidas de dispersión para datos no agrupados

Rango
El rango, también, es la distancia entre el mínimo y el máximo de una
distribución, es decir, la distancia entre el valor más pequeño y el más grande.
A menudo es abreviado con R, se calcula, por tanto, mediante:
Rango = Valor máximo – Valor Mínimo

13
Desviación estándar y varianza
Las medidas de dispersión más comunes para las variables métricas son la
desviación estándar y la varianza. Estas dos medidas relacionan cada
característica de una variable con el valor medio y, por tanto, indican hasta qué
punto las características individuales están dispersas en torno al valor medio.

¿Qué es la varianza?

Es el valor medio del cuadrado de las desviaciones de los valores respecto de la

media. Su valor numérico se obtiene con la siguiente fórmula:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2
𝑣=
𝑛

Así, la varianza describe la distancia media al cuadrado con respecto a la media.

Como los valores se elevan al cuadrado, el resultado tiene una unidad diferente
(la unidad al cuadrado) que los valores originales.

Desviación estándar
Indica qué tan dispersos están los datos con respecto a la media. Se denota por
medio de 𝜎.

Una desviación estándar grande indica que los puntos están lejos de la media, y
una desviación pequeña indica que los datos están agrupados cerca de la media.

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2
𝜎=√
𝑛

14
Así pues, la diferencia entre la varianza y la desviación estándar es que la
desviación estándar mide la distancia media respecto a la media y la varianza
mide la distancia media al cuadrado respecto a la media. En otras palabras, la
varianza es la desviación estándar elevada al cuadrado y la desviación estándar
es la raíz de la varianza.

DATAtab Team (2024). Parámetro de dispersión. [Link]

parameter

Intégrate a un equipo de 4 estudiantes, realicen los cálculos que se piden,

establezcan acuerdos y lleguen a una solución.
3. Con la información de la Tabla 1 obtengan la desviación estándar de las
concentraciones de O3 observadas el primero de enero de 2023 en la Ciudad
de México, en cada una de las estaciones de monitoreo.
Desviación estándar:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2
𝜎=√
𝑛

Donde n=24
a. Sumen los valores de la columna (𝑥𝑖 − 𝑥ҧ )2 y sustituyan el resultado en la
fórmula.

BJU – Benito Juárez

𝑥ҧ = 19.375
Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 1 1 -18.375 337.641

01/01/2023 2 1 -18.375 337.641

01/01/2023 3 1 -18.375 337.641

01/01/2023 4 1 -18.375 337.641

01/01/2023 5 1 -18.375 337.641

01/01/2023 6 1 -18.375 337.641

01/01/2023 7 1 -18.375 337.641

15
 Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 8 1 -18.375 337.641

01/01/2023 9 3 -16.375 268.141

01/01/2023 10 18 -1.375 1.891

01/01/2023 11 45 25.625 656.641

01/01/2023 12 63 43.625 1903.141

01/01/2023 13 53 33.625 1130.641

01/01/2023 14 47 27.625 763.141

01/01/2023 15 42 22.625 511.891

01/01/2023 16 39 19.625 385.141

01/01/2023 17 37 17.625 310.641

01/01/2023 18 32 12.625 159.391

01/01/2023 19 28 8.625 74.391

01/01/2023 20 23 3.625 13.141

01/01/2023 21 14 -5.375 28.891

01/01/2023 22 4 -15.375 236.391

01/01/2023 23 4 -15.375 236.391

01/01/2023 24 5 -14.375 206.641

𝑛

෍(𝑥𝑖 − 𝑥ҧ )2 =
𝑖=1

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2
𝜎=√ = = =
𝑛 24

b. Recuperen, de la sesión anterior la concentración promedio de O3 de las

estaciones de monitoreo y completen los espacios en blanco de las tablas
y fórmulas.

CUA – Cuajimalpa

𝑥ҧ =

16
 Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2
01/01/2023 1 22 -7.750

01/01/2023 2 26 -3.750 14.063

01/01/2023 3 25 22.563

01/01/2023 4 25 -4.750 22.563

01/01/2023 5 23 -6.750

01/01/2023 6 21 -8.750 76.563

01/01/2023 7 17 162.563

01/01/2023 8 18 -11.750 138.063

01/01/2023 9 20 -9.750 95.063

01/01/2023 10 31 1.250

01/01/2023 11 39 9.250 85.563

01/01/2023 12 50 410.063

01/01/2023 13 62 32.250

01/01/2023 14 57 27.250 742.563

01/01/2023 15 51 21.250 451.563

01/01/2023 16 48 333.063

01/01/2023 17 37 7.250 52.563

01/01/2023 18 33 3.250

01/01/2023 19 28 -1.750 3.063

01/01/2023 20 23 -6.750 45.563

01/01/2023 21 18 138.063

01/01/2023 22 19 -10.750 115.563

01/01/2023 23 9 -20.750 430.563

01/01/2023 24 12 -17.750
𝑛

෍(𝑥𝑖 − 𝑥ҧ )2 = 4812.512
𝑖=1

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2
𝜎=√ = = = 14.161
𝑛 24

17
GAM – Gustavo A. Madero

𝑥ҧ = 19.083

Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 1 2

01/01/2023 2 2 -17.083 291.829

01/01/2023 3 2 -17.083 291.829

01/01/2023 4 2 -17.083 291.829

01/01/2023 5 3 -16.083 258.663

01/01/2023 6 2 -17.083 291.829

01/01/2023 7 3

01/01/2023 8 3 -16.083 258.663

01/01/2023 9 5 -14.083 198.331

01/01/2023 10 21 1.917 3.675

01/01/2023 11 45 25.917 671.691

01/01/2023 12 44 24.917 620.857

01/01/2023 13 45

01/01/2023 14 56 36.917 1362.865

01/01/2023 15 49 29.917 895.027

01/01/2023 16 41

01/01/2023 17 36 16.917 286.185

01/01/2023 18 31 11.917 142.015

01/01/2023 19 26 6.917 47.845

01/01/2023 20 19 -0.083 0.007

01/01/2023 21 12

01/01/2023 22 5 -14.083 198.331

01/01/2023 23 2 -17.083 291.829

01/01/2023 24 2 -17.083 291.829

18
 Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2
𝑛

෍(𝑥𝑖 − 𝑥ҧ )2 =
𝑖=1

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2 =
𝜎=√ = 351.993 = 18.761
𝑛 24

IZT – Iztacalco

𝑥ҧ =

Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 1 3 -18.208 331.531

01/01/2023 2 2 -19.208 368.947

01/01/2023 3 2

01/01/2023 4 2 -19.208 368.947

01/01/2023 5 2 -19.208 368.947

01/01/2023 6 2 -19.208 368.947

01/01/2023 7 2 -19.208 368.947

01/01/2023 8 3

01/01/2023 9 6 -15.208 231.283

01/01/2023 10 23 1.792 3.211

01/01/2023 11 49 27.792 772.395

01/01/2023 12 60 38.792 1504.819

01/01/2023 13 60 38.792 1504.819

01/01/2023 14 47

01/01/2023 15 42 20.792 432.307

01/01/2023 16 39 17.792 316.555

01/01/2023 17 37 15.792 249.387

01/01/2023 18 35 13.792 190.219

19
 Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 19 27

01/01/2023 20 19 -2.208 4.875

01/01/2023 21 15 -6.208 38.539

01/01/2023 22 8 -13.208 174.451

01/01/2023 23 13 -8.208 67.371

01/01/2023 24 11
𝑛

෍(𝑥𝑖 − 𝑥ҧ )2 = 9169.952
𝑖=1

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2 9169.952
𝜎=√ =√ = √ 382.081 =
𝑛 24

MGH – Miguel Hidalgo

𝑥ҧ =

Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 1 2 -19.708 388.405

01/01/2023 2 4 -17.708 313.573

01/01/2023 3 4 -17.708 313.573

01/01/2023 4 2 -19.708 388.405

01/01/2023 5 2 -19.708 388.405

01/01/2023 6 2 -19.708 388.405

01/01/2023 7 2 -19.708 388.405

01/01/2023 8 2 -19.708 388.405

01/01/2023 9 5 -16.708 279.157

01/01/2023 10 23 1.292 1.669

01/01/2023 11 51 29.292 858.021

01/01/2023 12 64 42.292 1788.613

20
 Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 13 74 52.292 2734.453

01/01/2023 14 60 38.292 1466.277

01/01/2023 15 52 30.292 917.605

01/01/2023 16 48 26.292 691.269

01/01/2023 17 45 23.292 542.517

01/01/2023 18 32 10.292 105.925

01/01/2023 19 21 -0.708 0.501

01/01/2023 20 11 -10.708 114.661

01/01/2023 21 4 -17.708 313.573

01/01/2023 22 1 -20.708 428.821

01/01/2023 23 2 -19.708 388.405

01/01/2023 24 8 -13.708 187.909

𝑛

෍(𝑥𝑖 − 𝑥ҧ )2 =
𝑖=1

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2
𝜎=√ = = √574.04 =23.959
𝑛 24

MPA – Milpa Alta

𝑥ҧ = 33.625

Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 1 30 -3.625 13.141

01/01/2023 2 30

01/01/2023 3 31 -2.625 6.891

01/01/2023 4 31 -2.625 6.891

01/01/2023 5 31 -2.625 6.891

01/01/2023 6 32 -1.625 2.641

21
 Fecha Hora 𝑥𝑖 𝑥𝑖 − 𝑥ҧ (𝑥𝑖 − 𝑥ҧ )2

01/01/2023 7 25 -8.625 74.391

01/01/2023 8 22 -11.625 135.141

01/01/2023 9 27

01/01/2023 10 32 -1.625 2.641

01/01/2023 11 41 7.375 54.391

01/01/2023 12 47 13.375 178.891

01/01/2023 13 44 10.375 107.641

01/01/2023 14 37 3.375 11.391

01/01/2023 15 39

01/01/2023 16 42 8.375 70.141

01/01/2023 17 42 8.375 70.141

01/01/2023 18 37 3.375 11.391

01/01/2023 19 36 2.375 5.641

01/01/2023 20 35 1.375 1.891

01/01/2023 21 31

01/01/2023 22 29 -4.625 21.391

01/01/2023 23 28 -5.625 31.641

01/01/2023 24 28 -5.625 31.641

𝑛

෍(𝑥𝑖 − 𝑥ҧ )2 = 937.634
𝑖=1

∑𝑛𝑖=1(𝑥𝑖 − 𝑥ҧ )2 937.634
𝜎=√ =√ = = 6.250
𝑛 24

Participa en la plenaria comparte tus resultados y experiencia.

22
 Completa el resumen estadístico de la concentración de ozono el primero de
enero de 2023 en la Ciudad de México, anotando los valores: mínimo, máximo
y la desviación estándar, calculados en la actividad anterior.
Estación de monitoreo
Parámetro
BJU CUA GAM IZT MGH MPA

Promedio 19.375 29.750 19.083 21.208 21.708 33.625

Mediana 9.5 25 8.5 14 6.5 31.5

Máximo

Mínimo

Rango
Desviación
estándar

Contesta las preguntas iniciales, considerando los valores del resumen

estadístico.

4. Con base en el resumen estadístico de la sesión anterior, ¿podemos asegurar

que en las estaciones de monitoreo IZT – Iztacalco y MGH – Miguel Hidalgo se
registró en promedio la misma concentración de O3 el primero de enero de
2023?
Si ( ) No ( )
¿Por qué?

23
5. ¿Y que en la estación BJU – Benito Juárez la concentración observada de
ozono fue mayor que en la estación GAM – Gustavo A. Madero?
Argumenta tu respuesta.

6. ¿En qué estación de monitoreo se registró la mayor concentración de ozono

(O3)?

¿Por qué?

24
 Sesión 3
Uso de gráficas en el análisis de datos

Atiende las indicaciones del docente.

¿Sabías que la frase "una imagen vale más que mil palabras" ciertamente se
aplica a la ciencia? Los datos complejos pueden ser muy difíciles de entender sin
mostrarlos de forma visual, por lo que los científicos suelen utilizar pantallas
visuales para ayudar durante el análisis de datos.

Observa la siguiente gráfica y contesta cada una de las preguntas.

El consumo de agua en un colegio viene dado por esta gráfica:

1. ¿Durante qué horas el consumo de agua es nulo?

25
 ¿Por qué?

2. ¿A qué horas se consume más agua? ¿Cómo puedes explicar esos puntos?

3. ¿Qué horario tiene el colegio?

4. ¿Por qué en el eje X solo consideramos valores entre 0 y 24? ¿Qué

significado tiene?

Matemáticas Online. (s. f.). Interpretación de gráficas

[Link]
[Link]

Revisa la siguiente información.

Las gráficas nos proporcionan una visión de conjunto que sirve para
aclarar el tema que se trate. También nos permiten establecer comparaciones e
incluso hacer predicciones.

Elementos constitutivos de un gráfico

Una adecuada lectura e interpretación de los gráficos estadísticos empieza por
la identificación de los elementos constitutivos.

26
Título. A través del título se tiene un primer acercamiento al contexto de los datos y la
información reportada en el gráfico estadístico.
Variable(s) estadística(s). Nombre de la variable (o variables) estadística que se involucra
en el estudio y de la cual se da información por medio del gráfico.
Valores que toma(n) la(s) variable(s). Son las diferentes modalidades (valores o
categorías) que toma la variable estadística.
Ejes. Los ejes de un gráfico son el sistema de referencia de este. No todos los gráficos
cuentan con ejes.
Etiquetas. En las etiquetas se muestra parte del contenido contextual del gráfico y las
variables estadísticas involucradas en el estudio.
Escala. Refiere la magnitud en la que se ha medido la variable estadística.
Unidades de medida. Indica las unidades de medida de la frecuencia que toma cada
valor de la(s) variable(s) estadística(s).
Por la naturaleza del ejemplo no se hace explícita la unidad de medida, pues el número
de personas se representa por medio de un número natural (podría decirse que la unidad
es ‘cantidad de personas’).
Especificadores. Son los elementos que se emplean para representar los datos o sus
frecuencias (por ejemplo: rectángulos/barras, líneas, puntos, íconos, etc.).
Fuente. A partir de la fuente se puede validar la veracidad de los datos y la información
presentada en el gráfico estadístico. Esta da a conocer la entidad u organismo que recoge
o proporciona los datos a partir de los cuales se construye el gráfico estadístico.
Barajas, F., Salinas, L., Álvarez, I. (2018). ¿Sabes leer e interpretar gráficos estadísticos?
[Link]

27
 Analiza el siguiente gráfico y responde las preguntas.
Gráfica 1 Concentraciones de Ozono observadas el primero de enero de 2023
en la Ciudad de México

5. ¿Cuántas variables están representadas en la gráfica?

6. Escribe su nombre.

7. ¿Cuántos valores diferentes toma la variable?

8. ¿Qué refleja el punto más alto a las 13:00 horas?

9. ¿En qué estación de monitoreo se registró?

10. ¿En qué intervalo de horas se registraron concentraciones de ozono por

arriba de una buena calidad del aire de acuerdo con la escala IMECA?

28
Participa en la plenaria comparte el análisis de la gráfica y dando respuesta a
los siguientes planteamientos. Si es necesario corrige errores.
¿Qué repasaste en esta sesión?
¿Los contenidos que abordaste en esta sesión tienen relación con la vida
cotidiana?
¿En qué situación de tu entorno aplicarías los conocimientos de esta sesión?
Escribe un ejemplo.

29