Universidad del Tolima

Manual de bolsillo del MegaStat *

* MegaStat es un complemento estadístico para el Excel elaborado

por el profesor J. B. Orris de Butler University.
Estadísticas con MegaStat

AgeCat Gender Seconds

1 2 50.1
1 1 53.0
2 2 43.2
1 2 34.9
3 1 37.5

Para ver la utilidad del MegaStat, primero presentaremos el ejemplo con el cual vamos a trabajar.
Se trata del uso de un cajero automático de un banco cualquiera, la variable AgeCat es la
clasificación por edad del usuario de este cajero, 1 si es menor de 30 años, 2 si tiene entre 30 y 50,
y 3 si tiene mas de 50. La variable Gender es el genero (sexo) del usuario de este cajero, 1 si es
hombre y 2 si es mujer. Y Seconds es el tiempo en segundo del uso de este cajero.
Estadísticas descriptivas
Ingresar en rango de datos que están en el Excel.

Seleccionar las estadísticas que se desean.

Estadísticas descriptivas
 Estadísticas descriptivas

Media
Error estándar de la
media
Varianza y desviación
estándar de la muestra Varianza y desviación
estándar de la población

Máximo, mínimo, rango

Mediana, cuartiles, moda y Asimetría, curtosis y

datos fuera de lugar. coeficiente de variación.

Grafico de caja Ancho de intervalo sugerido para

la distribución de frecuencias.

Grafico tallos y hojas

 Distribución de frecuencias cuantitativas

Ingresar en rango de datos que están en el Excel.

El ancho del intervalo se

obtiene de las estadísticas
descriptivas. El limite inferior del primer intervalos de clase, se obtiene del menor
dato (obtenido con las estadísticas descriptivas – 24.1) y se le resta
algo.
Distribución de frecuencias cuantitativas
Distribución de frecuencias cualitativas

Trabajaremos con la variable Agecat

Ingresamos el rango de datos de la variable Agecat.

Ingresamos como se clasifica la variable Agecat, en 1, 2 y 3 (se acuerdan en menores

de 30, entre 30 a 50 y mayores de 50)
Distribución de frecuencias cualitativas
Tablas de contingencias o tablas cruzadas
En muchas ocasiones, cuando analizamos variables cualitativas, necesitamos cruzar la información
de estas variables. A esto lo llamamos tablas cruzadas.

Esto lo hacemos con el MegaStat.

Seguiremos trabajando con nuestro

ejemplo. Supongamos que necesitamos
hacer la tabla cruzada entre:

AgeCat y Gender.

Siempre la primera variable

corresponde a las filas y la segunda
variable corresponde a las columnas.
 Se ingresa el rango de datos de la variable que va en la fila, en nuestro ejemplo: Agecat.

Se ingresa el rango de la calificación de la variable Agecat (1, 2 y 3)

Se selecciona lo que nos

interesa saber para las
estadísticas descriptivas

Se ingresa el rango de la calificación de la variable Gender (1 y 2)

Se ingresa el rango de datos de la variable que va en la columna, en nuestro ejemplo:

Gender.
Tablas de contingencias o tablas cruzadas

Crosstabulation

Gender
1 2 Total
1 Observed 7 10 17
% of row 41.2% 58.8% 100.0%
% of column 25.0% 45.5% 34.0%
AgeCat % of total 14.0% 20.0% 34.0%
2 Observed 13 8 21
% of row 61.9% 38.1% 100.0%
% of column 46.4% 36.4% 42.0%
% of total 26.0% 16.0% 42.0%
3 Observed 8 4 12
% of row 66.7% 33.3% 100.0%
% of column 28.6% 18.2% 24.0%
% of total 16.0% 8.0% 24.0%
Total Observed 28 22 50
% of row 56.0% 44.0% 100.0%
% of column 100.0% 100.0% 100.0%
% of total 56.0% 44.0% 100.0%
Distribución binomial.
El 40% de los peruanos leen su contrato de trabajo, incluyendo las letras pequeñas. Suponga que
el número de empleados que leen su contrato se pueden modelar utilizando una distribución
binomial. Considerando a un grupo de 5 empleados. ¿Cuál es la probabilidad de que al menos 3
lean su contrato?

Se trata de un problema
binomial (existe solo dos
alternativas, o leen o no leen
los contratos)
Distribución binomial.

Se quiere saber P( x ≥ 3)
Binomial distribution

5 n Para esto se debe sumar las probabilidades

0.4 p binomiales de 3, 4 y 5

cumulative P( x ≥ 3) = 0.23040 + 0.07680 + 0.01024

X p(X) probability
0 0.07776 0.07776
1 0.25920 0.33696 P( x ≥ 3) = 0.31744 = 31.74%
2 0.34560 0.68256
3 0.23040 0.91296
4 0.07680 0.98976
5 0.01024 1.00000
1.00000
Distribución poisson

Supongamos que estamos investigando la seguridad de una peligrosa intelección de calles, los
registros policíacos indican un media de 5 accidentes mensuales en esta intersección. El numero
de accidentes esta distribuido de acuerdo con una distribución de Poisson y el departamento de
seguridad vial desea que calculemos la probabilidad de que en cualquier mes ocurra exactamente
3 accidentes.

Se trata de un problema
poisson (los accidentes
ocurren uno detrás de otro, es
decir, existe una cola)
Distribución poisson
Poisson distribution

5 mean rate of occurrence

Se quiere saber P( x = 3)
cumulative
X p(X) probability
0 0.00674 0.00674
1 0.03369 0.04043 Esto es la probabilidades poisson cuando x es 3
2 0.08422 0.12465
3 0.14037 0.26503
4 0.17547 0.44049
5 0.17547 0.61596 P( x = 3) = 0.14037 = 14.04%
6 0.14622 0.76218
7 0.10444 0.86663
8 0.06528 0.93191
9 0.03627 0.96817
10 0.01813 0.98630
11 0.00824 0.99455
12 0.00343 0.99798
13 0.00132 0.99930
14 0.00047 0.99977
15 0.00016 0.99993
16 0.00005 0.99998
17 0.00001 0.99999
18 0.00000 1.00000
19 0.00000 1.00000
20 0.00000 1.00000
21 0.00000 1.00000
22 0.00000 1.00000
1.00000
Distribución normal
Supongamos que deseamos saber si escogemos a un cliente al azar, ¿Cuál es la probabilidad de
que el cliente utilicé mas de 45 segundos en cajero?

Como el tiempo de uso es una variable cuantitativa continua, corresponde a una distribución normal.
Para esto necesitamos conocer la media y la desviación estándar del tiempo del uso del cajero (en
las estadísticas descriptivas las calculamos μ = 39.756 seg. y la σ = 8.916 seg.)

Se quiere saber P( x > 45)

σ = 8.916
 2.5

        

μ = 39.756
 10 15
45 x
Distribución normal

Primero se ingresa el valor de la media, luego el valor de la desviación estándar, luego el valor de x
y por ultimo presionamos Preview
 Distribución normal

Si observamos el MegaStat me da dos

probabilidades: Lower (0.7218) y Upper
(0.2782)

La probabilidad lower corresponde a la

P( x < 45), es decir todo a la izquierda
de 45.

  2.5
La probabilidad upper corresponde a la
P( x > 45), es decir todo a la derecha de
45.

         Entonces, como nos están pidiendo
P(x>45), esta es 0.2782
  10 15
45
P(x>45) = 0.2782 = 27.82%
Intervalos de confianza
Supongamos que deseamos conocer el intervalo de confianza del tiempo de uso del cajero con un
95% de nivel de confianza.
Para esto debo conocer la media, la desviación estándar y el tamaño de la muestra del tiempo de uso
del cajero. Esto se obtiene con las estadísticas descriptivas. Media es 39.756, la desviación estándar
es 8.916 y el tamaño de la muestra es 50.

Se utiliza prueba z porque el tamaño de la muestra es ≥ que 30.

Se puede decir que el promedio de uso de cajero de la población

se encuentra entre 37.28 y 42.23 segundos con un 95% de
confianza.
Prueba de hipótesis de una muestra
Supongamos que deseamos saber ¿si existe evidencia para aceptar que el tiempo promedio del uso de
cajeros es menor a 30 segundos?

Esto es una prueba de hipótesis.

Ho = ≥ ≤
Planteamos primero las hipótesis.
Ha  ≠ < >
Ho: μ ≥ 30
N° colas 2 1
Ha: μ < 30

Ahora tenemos que escoger que prueba utilizamos,

para eso tenemos la siguiente regla:

Como no conocemos la σ, pero el tamaño de la

muestra es 50 y es mayor que 30, utilizamos
prueba z
 Prueba de hipótesis de una muestra

Ingresamos en rango de datos

La Ha: μ < 30, entonces

seleccionamos less than (menor
que)

Como Ho: μ ≥ 30,

ingresamos 30

Seleccionamos prueba Z

En este caso α = 0.05 (nivel de significancia), le corresponde un nivel de confianza del 95%
 Prueba de hipótesis de una muestra

Hypothesis Test: Mean vs. Hypothesized Value Usaremos la siguiente regla:

30.0000 hypothesized value

39.7560 mean Seconds
8.9156 std. dev.
Si Aceptar
1.2609
50
std. error
n
¿p > α? Ho

7.74 z
No
1.0000 p-value (one-tailed, lower)
Rechazar
Ho
En este caso p es 1.00 y es mayor que α. Por lo tanto se acepta la Ho.

Ho: μ ≥ 30 Aceptar

Ha: μ < 30 Falso

¿Existe evidencia para aceptar que el tiempo promedio del uso de cajeros es menor a 30 segundos?

Por lo tanto, NO EXISTE evidencia para aceptar que el tiempo promedio del uso del cajero sea menor
que 30 segundos.
Prueba de hipótesis de dos muestras.
Supongamos que deseamos saber ¿si existe evidencia para aceptar que existe diferencia en el tiempo
promedio del uso de cajeros entre hombres y mujeres?

Esto es una prueba de hipótesis de dos muestras

Ho = ≥ ≤ independientes.

Ha  ≠ < > Planteamos primero las hipótesis.

Ho: μH = μM
N° colas 2 1
Ha: μH ≠ μM

Ahora tenemos que escoger que prueba utilizamos,

para eso tenemos la siguiente regla:

Como no conocemos la σ, pero los tamaños de

las muestras son menores que 30, utilizamos
prueba t
Prueba de hipótesis de dos muestras

Para poder utilizar el MegaStat, debemos

previamente ordenar los tiempos en función al
sexo de los cliente (Gender), esto lo hacemos
con el Excel. Y luego copiamos los tiempos en
dos columnas, una para los hombres y otra
para las mujeres.
 Prueba de hipótesis de dos muestras

Se ingresa el rango de
datos de hombres
Se ingresa el rango de
datos de mujeres

La Ha es ≠ (no igual)

α = 0.05

La diferencia entre los dos

grupos es 0 (cero)

Prueba t

Como son muestras indedientes,

hay que hacer la prueba de
igualdad de varianzas para ver si
vienen de la misma población.
Prueba de hipótesis de dos muestras
Primero evaluamos la igualdad de
Hypothesis Test: Independent Groups (t-test, pooled variance)
varianzas para ver si las muestras
provienen de la misma población.
Hombres Mujeres
38.364 41.527 mean
8.779 8.973 std. dev.
28 22 n Si Vienen de la

48 df
¿p > α? misma población

-3.1630 difference (Hombres - Mujeres)

78.5760 pooled variance No
8.8643 pooled std. dev.
2.5255 standard error of difference
0 hypothesized difference Vienen de poblaciones
diferentes
-1.25 t
.2165 p-value (two-tailed)
Como p es 0.9028 y es mayor que α (0.05), las
muestras provienen de la misma población.
F-test for equality of variance
80.508 variance: Mujeres
77.073 variance: Hombres Si hubiera sido que
1.04 F viene de diferentes
.9028 p-value poblaciones,
tendríamos que utilizar
la prueba t para
varianzas diferentes
Prueba de hipótesis de dos muestras
Ahora si evaluamos la prueba de
Hypothesis Test: Independent Groups (t-test, pooled variance)
hipótesis.
Hombres Mujeres
38.364 41.527 mean
Si Aceptar
8.779
28
8.973 std. dev.
22 n ¿p > α? Ho
48 df
-3.1630 difference (Hombres - Mujeres) No
78.5760 pooled variance
8.8643 pooled std. dev.
2.5255 standard error of difference
Rechazar
0 hypothesized difference Ho
-1.25 t
Como p es 0.2165 y es mayor que α (0.05), se
.2165 p-value (two-tailed)
acepta la Ho.

F-test for equality of variance

Ho: μH = μ80.508
M Aceptar
variance: Mujeres
¿si existe evidencia para aceptar que existe diferencia en el tiempo
77.073 variance: Hombres
promedio del uso de cajeros entre hombres y mujeres?
Ha: μH ≠ μM 1.04 Falso
F
.9028 p-value

Por lo tanto NO EXISTE evidencia para aceptar que hay diferencie entre el tiempo de uso del cajero
entre hombre y mujeres. ¡
Prueba de Chi cuadrado de independencia
Supongamos que deseamos saber si existe relación entre las variables Agecat (categorías por edad)
y Gerder (sexo), en nuestro ejemplo.

Para poder hacer una prueba de Chi cuadrado, se requiere que las dos variables sean cualitativas
(nominal ó ordinal). En nuestro ejemplo, tanto las variables Agecat y Gender son cualitativas.

Como no existe una tabla de

contingencias (o tabla cruzada), tenemos
que construir la respectiva tabla. Para
eso, utilizaremos Crosstabulation.

Si hubiéramos tenido una tabla de

contingencia, utilizaremos Contigency
Tabla
 Se ingresa el rango de datos de la variable que va en la fila, en nuestro ejemplo: Gender.

Se ingresa el rango de la calificación de la variable Gender (1 y 2)

Se selecciona la prueba
de Chi -cuadrado

Como la variable Agecat

es ordinal, se escoge el
Coeficiente de
contingencia para ver la
fuerza de la relación (si
las variables son
nominales se utiliza
Coeficiente Phi)

Se ingresa el rango de la calificación de la variable Agecat (1, 2 y 3)

Se ingresa el rango de datos de la variable que va en la columnas, en nuestro ejemplo: Agecat.

Prueba de Chi cuadrado de independencia

Crosstabulation

AgeCat
1 2 3 Total
Gender 1 7 13 8 28 Utilizaremos la siguiente regla:
2 10 8 4 22
Total 17 21 12 50

2.37 chi-square Si Son

2 df
.3062 p-value
¿p > α? independientes

.213 Coefficient of Contingency

No

No son
Como p es 0.213 y es mayor que α (0.05), las independientes
variables Agecat y Gender son independientes.
Análisis de varianza de un factor
Supongamos que deseamos saber si existe diferencia en el tiempo del uso del cajero de acuerdo a la
categoría de edad.

Tenemos una variable cuantitativa (Tiempo) y tres grupos (Egecat), por lo tanto tenemos que utilizar
el ANOVA, como solo se evalúa el tiempo, entonces es de un factor.

Para poder utilizar el MegaStat,

debemos previamente ordenar
los tiempos en función a la
variable Agecat, esto lo
hacemos con el Excel. Y luego
copiamos los tiempos en tres
columnas, una para los menores
de 30 (1), otra para los que
están entre 30 y 50 (2) y la
ultima para los que tiene mas de
50 (3)
Análisis de varianza de un factor

Las hipótesis de una ANOVA, son:

Ho: Los promedios son iguales

Ha: Al menos una es diferente

Y se utiliza la siguiente regla de decisión:

Si Aceptar
¿p > α? Ho

No

Rechazar
Ho
Análisis de varianza de un factor

Se ingresa el rango de datos que incluye a las tres columnas

 Análisis de varianza de un factor

One factor ANOVA Si Aceptar

Mean n Std. Dev
¿p > α? Ho
39.756 38.18 17 10.291 menos 30
39.756 37.55 21 7.779 30 a 50 No
39.756 45.85 12 6.031 mas 50
39.76 50 8.916 Total Rechazar
ANOVA table Ho
Source SS df MS F p-value
Treatment 590.030 2 295.0151 4.20 .0211
Error 3,304.873 47 70.3164
Total 3,894.903 49

Como p vale 0.0211 y es menor que α (0.05), se rechaza la Ho.

Ho: Los promedios son iguales Rechaza

Ha: Al menos una es diferente Verdadero

¿Existe diferencia en el tiempo del uso del cajero de acuerdo a la categoría de edad?.

Por lo tanto, SI EXISTE evidencia de los tiempo de uso de los cajeros de acuerdo a la categoría de
edad, son diferentes.
 Análisis de regresión lineal simple
Copy SA, empresa que tiene una gran fuerza de ventas en todo EEUU y Canadá, desea
determinar si existe una relación entre el número de llamadas telefónicas de ventas hechas en un
mes, y la cantidad de copiadoras vendidas durante ese lapso. El gerente selecciona al azar una
muestra de 10 representantes, y determina el número de tales llamadas que hizo cada uno en el
mes anterior y la cantidad de productos vendidos.

Nº Deseamos saber, si existe relación entre el Nº de llamadas y

Nº de
dedor copiadoras las copiadoras vendidas (ambas variables son cuantitativas). Y
llamadas si existe relación, como poder pronosticar mis ventas a partir
vendidas
del numero de llamadas.
01 20 30
02 40 60
Esto lo puedo contestar con el análisis de correlación y
03 20 40 regresión.
04 30 60
05 10 30 La variable que deseo pronosticar, es la variable dependiente
06 10 40 Y. En nuestro ejemplo es en Nº de copiadoras vendidas.
07 20 40
08 20 50 La variable que es mi información , es la variable independiente
09 20 30 X. En nuestro ejemplo es en Nº de llamadas. Como es una sola
variable independiente, se utiliza una regresión lineal simple.
10 30 70
Análisis de regresión lineal simple
Se ingresa el rango de datos de la variable independiente X, el Nº llamadas

Se ingresa el rango de datos de la variable dependiente Y, el Nº copiadoras vendidas.

 Análisis de regresión lineal simple

Regression Analysis

r² 0.576 n 10
r 0.759 k 1
Std. Error 9.901 Dep. Var. Nº copiadoras

ANOVA table
Source SS df MS F p-value
Regression 1,065.7895 1 1,065.7895 10.87 .0109
Residual 784.2105 8 98.0263
Total 1,850.0000 9

Regression output confidence interval

variables coefficients std. error t (df=8) p-value 95% lower 95% upper
Intercept 18.9474 8.4988 2.229 .0563 -0.6509 38.5457
Nº llamadas 1.1842 0.3591 3.297 .0109 0.3560 2.0124

Ahora interpretaremos los resultados.

Análisis de regresión lineal simple

r² 0.576
r 0.759

r2 (coeficiente de determinación), me explica el

r (coeficiente de correlación), es 0.759, lo
porcentaje (57.6%) de la variable dependiente (Nº
que me indica una correlación regular entre de copiadoras vendidas), es explicada por la
las variables. variable independiente (el Nº de llamadas)

ANOVA table
Source SS df MS F p-value
Regression 1,065.7895 1 1,065.7895 10.87 .0109
Residual 784.2105 8 98.0263
Total 1,850.0000 9

La prueba de ANOVA, me sirve para ver si la correlación es real o ficticia. S la prueba p es menor que
α (0.05), la correlación es real, caso contrario es ficticia.

En nuestro caso, p es 0.0109 y es menor que α (0.05), por lo tanto la correlación es real.
Análisis de regresión lineal simple

Se le llama el análisis de regresión lineal simple, porque es la función de una recta del tipo: Y = a + bX

Regression output confidence interval

variables coefficients std. error t (df=8) p-value 95% lower 95% upper
Intercept 18.9474 8.4988 2.229 .0563 -0.6509 38.5457
Nº llamadas 1.1842 0.3591 3.297 .0109 0.3560 2.0124

Nº de copiadoras = a + b Nº de llamadas

La función de regresión es:

Nº de copiadoras = 18.9474 + 1.1842 Nº de llamadas

Análisis de regresión lineal múltiple
r2 (coeficiente de determinación), me explica el porcentaje (32.6%) de la variable dependiente (Nº
de copiadoras vendidas), es explicada por la variable independiente (el Nº de llamadas).

La pregunta es: ¿Ud. estaría conforme con este resultado?

Este valor de r2 me indica que falta una o mas variables independientes para poder pronosticar el Nº
de copiadoras vendidas con mayor precisión. Supongamos que agregamos la variable Publicidad.

N° Copiadoras
N° llamadas Publicidad Como existen dos variables independientes: Nº
vendidas
30 20 25 llamadas (X1) y Publicidad (X2), se utiliza una
regresión lineal múltiple.
60 40 50
40 20 35
60 30 50 Y = a + b X1 + c X2
30 10 40
40 10 50
40 20 50
50 20 60
30 20 40
70 30 80
Se ingresa el rango de datos de las variables independientes X1 y X2, el Nº llamadas y publicidad

Se ingresa el rango de datos de la variable dependiente Y, el Nº copiadoras vendidas

 Análisis de regresión lineal múltiple
Regression Analysis

R² 0.902
Adjusted R² 0.874 n 10
R 0.950 k 2
Std. Error 5.085 Dep. Var. Nº copiadoras

ANOVA table
Source SS df MS F p-value
Regression 1,668.9655 2 834.4828 32.27 .0003
Residual 181.0345 7 25.8621
Total 1,850.0000 9

Regression output confidence interval

variables coefficients std. error t (df=7) p-value 95% lower 95% upper
Intercept -1.7241 6.1137 -0.282 .7861 -16.1808 12.7326
Nº llamadas 0.8448 0.1974 4.280 .0037 0.3780 1.3116
Publicidad 0.5862 0.1214 4.829 .0019 0.2992 0.8732

Ahora interpretaremos los resultados.

Análisis de regresión lineal múltiple

R² 0.902
Adjusted R² 0.874
R 0.950
r2 (coeficiente de determinación), es ahora 0.902,
r (coeficiente de correlación), es 0.950,
que el porcentaje (90.2%) de la variable
mejoro tremendamente (antes era 0.7590) dependiente (Nº de copiadoras vendidas), es
lo que me indica una correlación muy explicada por las variables independientes (el Nº de
buena entre las variables. llamadas y la publicidad)

ANOVA table
Source SS df MS F p-value
Regression 1,668.9655 2 834.4828 32.27 .0003
Residual 181.0345 7 25.8621
Total 1,850.0000 9

En nuestro caso, p es 0.0003 y es menor que α (0.05), por lo tanto la correlación es real.
Análisis de regresión lineal múltiple

Regression output confidence interval

variables coefficients std. error t (df=7) p-value 95% lower 95% upper
Intercept -1.7241 6.1137 -0.282 .7861 -16.1808 12.7326
Nº llamadas 0.8448 0.1974 4.280 .0037 0.3780 1.3116
Publicidad 0.5862 0.1214 4.829 .0019 0.2992 0.8732

Si el valor de p de la variable independiente es menor que α (0.05), entonces el aporte de la variable

es significativo. En nuestro caso, ambos p son menores que α, por lo tanto el aporte de las variables
es significativo.

Regression output confidence interval

variables coefficients std. error t (df=7) p-value 95% lower 95% upper
Intercept -1.7241 6.1137 -0.282 .7861 -16.1808 12.7326
Nº llamadas 0.8448 0.1974 4.280 .0037 0.3780 1.3116
Publicidad 0.5862 0.1214 4.829 .0019 0.2992 0.8732

Y = a + b X1 + c X2

Nº copiadoras = -1.7241+ 0.8448 Nº llamadas + 0.5862 Publicidad