Diseño, Lectura y Representación de Gráficos

Diseo,Lectur ay
Repr esentacinde
Gr ficos
Dr .TemstoclesMuozLpez
SERIEDIDCTICA:METODOLOGADE
LAINVESTIGACIN
FCEyH Edicin2008
RepresentacionesGrficas
UNIVERSIDADAUTNOMADECOAHUILA
FACULTADDECIENCIA,EDUCACINYHUMANIDADES
MAESTRAENMETODOLOGADELAINVESTIGACIN
DISEO,LECTURAYREPRESENTACINDEGRFICOS
DR.TEMSTOCLESMUOZLPEZ
SALTILLO,COAHUILA
SEGUNDAEDICIN,REVISADOENAGOSTODE2008
2
Dr.TemstoclesMuozLpez
DISEO,LECTURAYREPRESENTACINDEGRFICOS
SERIEDIDCTICA:METODOLOGADELAINVESTIGACIN
FACULTADDECIENCIA,EDUCACINYHUMANIDADES
EDIFICIONUNIDADCAMPOREDONDO
TEL.4129133
ISBN:
UNIVERSIDADAUTNOMA DECOAHUILA
BLVD.GONZLEZLOBOYV.CARRANZAS/N
SALTILLO,COAHUILA
C.P.25000
UNIVERSIDADAUTNOMADECOAHUILA
SEGUNDAEDICIN,REVISADOENAGOSTODE2008
IMPRESOENMXICO
3
CONTENIDO
EL DISEO,LALECTURAYLAREPRESENTACINDELOSGRFICOS .................................. 7
APARTADOA. NORMASGENERALESDEICONOGRAFAESTADSTICA ....... 9

LAICONOGRAFAESTADSTICAYSUSFUNCIONES ............................................................. 9
Terminologadelasrepresentacionessimblicas .................................................................................. 9
NormasGeneralesdepresentacin ..................................................................................................... 12
Normasticas ..................................................................................................................................... 19
Tiposdeicongrafoscomoejemplo..................................................................................................... 21
Combinacionespersonalizadas ........................................................................................................... 29
APARTADOB. GENERACINYUSODEGRFICOSCOMUNES ..................... 31

I. PRLOGO .............................................................................................................. 31
Nmerodeclases................................................................................................................................ 32
II. HISTOGRAMAS ...................................................................................................... 32
Introduccin ....................................................................................................................................... 32
LaDensidaddeltrazo ......................................................................................................................... 34
Estructuradedatos............................................................................................................................. 37
III. GRFICASDEPASTEL......................................................................................... 38
IntroduccinyPropsitosGenerales................................................................................................... 38
Laestructuradelosdatos ................................................................................................................... 38
IV. DIAGRAMADECAJAS......................................................................................... 39
Introduccin ....................................................................................................................................... 39
Ladefinicindeldiagramadecajas.................................................................................................... 39
LaCaja............................................................................................................................................... 39
Losvaloresadyacenteslmites ............................................................................................................ 40
Losvaloresextremos........................................................................................................................... 41
Comparacionesmltiples.................................................................................................................... 41
Laestructuradedatos......................................................................................................................... 43
V. CARTASOGRFICASDEBARRAS............................................................................ 43
IntroduccinyPropsitosGenerales................................................................................................... 43
VI. DIAGRAMASDEPROBABILIDAD ......................................................................... 44
Introduccin ....................................................................................................................................... 44
Lalecturadeldiagramadeprobabilidad............................................................................................. 46
Losoutliers......................................................................................................................................... 47
Lascolaslargas.................................................................................................................................. 47
Laasimetra........................................................................................................................................ 47
Lasmesetasylosvalles....................................................................................................................... 48
Precauciones ...................................................................................................................................... 48
Losdetallestcnicos ........................................................................................................................... 48
VII. DIAGRAMADEDISPERSIN ................................................................................ 50
Introduccin ....................................................................................................................................... 50
4
VIII. MATRIZDEDIAGRAMASDEDISPERSIN ............................................................ 52

Introduccin ....................................................................................................................................... 52
Estructuradelosdatos........................................................................................................................ 53
IX. DIAGRAMASDESUPERFICIE3D ......................................................................... 53
Introduccin ....................................................................................................................................... 53
LaEstructuradelosdatos................................................................................................................... 55
EstilosdelDiagramadesuperficie...................................................................................................... 55
X. DIAGRAMASDEVIOLN ......................................................................................... 57
Introduccin ....................................................................................................................................... 57
Lacombinacinenlosdiagramasdevioln ......................................................................................... 59
XI. CARTASDEPARETO........................................................................................... 61
Introduccin ....................................................................................................................................... 61
MuestraeldiagramadeunagrficadePareto.................................................................................... 62
XII. AGRUPAMIENTOSJERRQUICOS......................................................................... 63
Introduccin ....................................................................................................................................... 63
XIII. LASGRFICASDEBARRASDEERROR................................................................. 64
Introduccin ....................................................................................................................................... 65
Losvaloresperdidos ........................................................................................................................... 65
XIV. MATRIZREJILLADEPUNTOS .............................................................................. 66
Introduccin ....................................................................................................................................... 66
Lasopciones....................................................................................................................................... 67
Variable(X,Y,Z)................................................................................................................................ 68
Mnimoymximo(X,Y,Z).................................................................................................................. 68
Rebanadas(X,Y,Z) ............................................................................................................................ 68
DecimalesdeZ................................................................................................................................... 68
Elestilodeldiagrama ......................................................................................................................... 68
Bloques............................................................................................................................................... 68
Smbolosconuncolor......................................................................................................................... 69
Smbolosdecoloresmltiples ............................................................................................................. 69
APARTADOC. TPICOSSELECTOSDE TCNICASGRFICASANALTICAS

71
XV. GRFICASCATEGORIZADAS.............................................................................. 71
QusonlosGrficosCategorizados? ................................................................................................ 72
MtodosdeCategorizacin................................................................................................................. 74
Histogramas ....................................................................................................................................... 77
Diagramasdepuntos .......................................................................................................................... 80
GrficosdeProbabilidad.................................................................................................................... 82
DiagramasQuantilQuantil ................................................................................................................ 83
DiagramasProbabilidadProbabilidad ............................................................................................... 84
DiagramasdeLnea............................................................................................................................ 85
DiagramasdeCaja ............................................................................................................................. 86
GrficasdePastel............................................................................................................................... 88
Diagramasdepuntos dedatosperdidosporrango .............................................................................. 89
Diagramas3D .................................................................................................................................... 90
DiagramasTernarios.......................................................................................................................... 91
XVI. TCNICADECEPILLADO .................................................................................... 93
5
XVII. ALISADODEDISTRIBUCIONESBIVARIANTES.................................................. 94
XVIII. COMPRESINDECAPAS.................................................................................. 96
XIX. PROYECCIONESDEJUEGOSDEDATOS3D ........................................................... 97
XX. DIAGRAMASDE CONOS..................................................................................... 98
AnalizandoDiagramasdeconos........................................................................................................ 99
TaxonomadeDiagramasdeconos.................................................................................................. 101
Estandardizacindevalores ............................................................................................................. 103
Aplicaciones ..................................................................................................................................... 103
GrficasRelacionales ....................................................................................................................... 104
TiposdeGrficosdeconos .............................................................................................................. 104
conosenmarcados ........................................................................................................................... 109
XXI. TCNICASDEREDUCCINDEDATOS ................................................................ 110
XXII. ROTACINDEDATOS(ENESPACIO 3D) ........................................................ 111
LigasparaconsultarlostiposdegrficasenStatistica ...................................................................... 112
APARTADOD. DIAGRAMASCORRELACIONALES........................................... 114

ASCC .......................................................................................................................... 114
XXIII. ELANLISISSISTMICOPORMEDIODECONSTELACIONESCORRELACIONALES
114
INTRODUCCIN............................................................................................................................. 114
Apuntescomplementariossobrelacorrelacinestadstica................................................................. 117
Descripcindelatcnicadeconstelacionescorrelacionales.............................................................. 122
Elaboracindelasconstelacionescorrelacionales ............................................................................ 129
Lecturadelasconstelaciones............................................................................................................ 133
Lasconclusionesysuvalidezexterna ................................................................................................ 135
Consideracionesfinales .................................................................................................................... 136
LITERATURADECONSULTA .......................................................................................... 137
6
ELDISEO,LALECTURAYLAREPRESENTACINDE
LOSGRFICOS1
En la vida del hombre la simbologa juega un papel muy importante, tanto en el

lenguaje como en la correspondencia que guardan las imgenes con una
representacindelordensocialynaturalenquehabita.
Todo signo o smbolo encierra informacin que es evidente solamente para

quienes pertenecen a la cultura que los cre o hered. Con el desarrollo de las
civilizacionesysuslenguajesendiferentesespaciosgeogrficos,cadacomunidad
tnica, filosfica o cientfica resulta en una suerte de nsula que especializa sus
medios de comunicacin y su patrimonio cultural. As,la realidad, aunque puede
ser la misma para todos, es codificada e interpretada por cada comunidad
especfica, como una convencin social particular, por medio de un sistema de
smbolos.
Lossignosgrficosylasformasfnicaspuedenvariardeunalenguaaotra,perolascosas
ylasimgenesdelascosassonlasmismasparatodas.
Aristteles:Deinterpretatione,1628
En sulibro sobrela manipulacin de la ciencia, PierreThuillier (1975) indica que

Leibniz demuestra con ejemplos precisos que las lenguas difieren no solamente
desdeelpuntodevistafnico,sinosintcticoysemntico.Noreflejansolamente
la historia de los pueblos, sino que pueden condicionar la mentalidad y las
costumbres. El uso de signos est incorporado y define tanto el lenguaje de la
comunidad, como la percepcin de la realidad y el orden de la realidad misma
1
Ctese como: Muoz Lpez, Temstocles. 2008. Diseo, Lectura y Representacin de Grficos.
Segunda edicin.Maestra en Metodologa dela Investigacin.Facultad de Ciencia, Educacin y
Humanidades.UniversidadAutnomadeCoahuila.Saltillo.
7
parasacomunidad,solamenteellayparas,lodecodificaeinterpretaenunacto
significador.
Todosignoensimismoparecemuerto:quesloqueledavida?...vivedesuuso.
Wittgenstein(InvestigacionesFilosficas)
Las comunidades acadmicas y profesionales tambin utilizan un sistema de

cdigos, smbolos y grafas especiales que no solo representan sus ideas, sino
que las delimitan y autoexcluyen de otras comunidades. No obstante, el
aislamiento no es total ni permanente, no son sistemas cerrados, siempre
conservan rasgos comunes entre s, que se constituyen en puentes o vasos
comunicantes que permiten su desarrollo regulado por el intercambio e
incorporacindenuevasideasyrepresentaciones.
Es decir, estas comunidades aceptan que en su conjunto pertenecen a una

comunidad epistmica mayor, y que al presentar rasgos cientficos comunes,
pueden ser posibles los intercambios conceptuales, metodolgicos e
instrumentales,quealasimilarselespropicienventajasadaptativasdinmicasyun
mayorxitoexplicativoyoperacional.
Lasrepresentacionesgrficassiguendehechostepatrn,enelcual,loquelas
comunidades acadmicas consideran cientfico, por lo tanto racional, objetivo y
verdadero,entantoestil,esincorporadoporotrascomunidadesperifricas.Con
ello el proceso de normalizacin o normativo para representar los hechos
cientficos ha madurado conservando las especificidades y criterios de cada
disciplinaenparticular.
8
APARTADOA. NORMASGENERALES
DEICONOGRAFAESTADSTICA
LAICONOGRAFAESTADSTICAYSUSFUNCIONES
Existequizunarespuestaalproblemadelarelacinentreellenguajeylarealidad.El
lenguajees,obienunvelotejidoporlacostumbreentrenosotrosylarealidad,yquees
necesariodesgarrar,obienunadeformacindelarealidadquehacefaltarectificar
inventandootrossmbolosyotrosinstrumentos.
W.M.Urban,LanguageandReality(1951)
Losgraphos(insensulato)sontransformacionesdelosdatosquesirvenparare
presentarlos, con la finalidad de propiciar o mejorar la comprensin de los
fenmenos que se estudian (funcin exploratoria), o para mostrar y sustentar
afirmaciones que se hacen sobreellos (funcin explicativa). Enlaspublicaciones
acadmicas las normas generales sobre los graphos se aplican con rigor, y la
creatividadsedejaparaelesfuerzoporcumplirlas.
En el lmite de la creatividad grfica cientficamente aceptable, las

representaciones artsticas de temas acadmicos en las ilustraciones o los
carteles (posters) pueden utilizarse con fines promocionales siempre y cuando
conservenloscriteriosdecientificidad.
Terminologadelasrepresentacionessimblicas
Primeroesconvenienteanalizarlaterminologageneralinvolucradaenelusode
lasrepresentaciones,dadoquecadaeditoriallasconceptualizaenformadistinta.
Sepresentanacontinuacinalgunosconceptosbsicosparaanalizar,deacuerdo
alaRealAcademiaEspaolamediantelaconsultaenlneaen:www.rae.es:
9
Representacin.(Dellat.representato,nis).f.Accinyefectoderepresentar.||
Figura,imagen o idea que sustituye ala realidad. || Cosa que representa otra. ||
Psicol. Imagen o concepto en que se hace presente a la conciencia un objeto
exterior o interior. || Grfica. f. Mat. Figura con que se expresa la relacin entre
diversasmagnitudes.
Grfico, ca. Grafo. m. Ling. Unidad abstracta que comprende el conjunto de

grafasdeunaletra.Grafo.(Delgr.,escribir).Composicindeelementos.
Significa 'escritura'. Grafologa, grafomana. fa. (Del gr. o, de la raz de
, escribir). elem. compos. Significa 'que escribe' o 'que describe'.
Mecangrafo, telgrafo, bolgrafo, hidrgrafo. Grfico, ca. (Del lat. graphcus, y
estedelgr.).adj.Dichodeunadescripcin,deunaoperacinodeuna
demostracin: Que se representa por mediode figuraso signos. U. t. c. s. || m.
Representacindedatosnumricospor mediodeunaovariaslneasquehacen
visible la relacin que esos datos guardan entre s. || f. grfico (representacin
pormediodelneas)
En un diccionario mdico biolgico encontramos que Graph, segn Francisco

Corts Gabaudan (http://clasicas.usal.es/dicciomed/) grafh (gramma) es
sustantivo:escritura,grabado.
Iconoocono.(Delfr.icne,estedelrusoikona,yestedelgr.bizantino,
o).Signoquemantieneunarelacindesemejanzaconelobjetorepresentado.
Inform. Representacin grfica esquemtica utilizada para identificar funciones o
programas.
La palabra "icono" en sus diversas acepciones procede del griegoeikneiknos

(imagen), formado sobre el verbo eko (parecer) En pocas recientes se ha
usadoparadefinirelconceptolingsticodesignodenaturalezanoarbitrariaque
guardaalgunasemejanzaconlacosarepresentada.
Esquema. (Del lat. schema, y este del gr. , figura). m. Representacin

grficaosimblicadecosasmaterialesoinmateriales.||Resumendeunescrito,
10
discurso,teora,etc.,atendiendosoloasuslneasocaracteresmssignificativos.
||Ideaoconceptoquealguientienedealgoyquecondicionasucomportamiento.
||en~.loc.adv.esquemticamente(pormediodeesquemas).
Figura.(Dellat.figra).f.Formaexteriordeuncuerpoporlacualsediferenciade
otro. || Cosa que representa o significa otra. ||ilustracin(estampa, grabado de
unlibro).||Geom.Lneaoconjuntodelneasconqueserepresentaunobjeto.||
Geom.Espaciocerradoporlneasosuperficies.||
Ilustracin.f.Accinyefectodeilustrar.||Estampa,grabadoodibujoqueadorna
o documenta un libro. || Publicacin, comnmente peridica, con lminas y
dibujos,ademsdeltextoquesuelecontener.||.
Semntico,ca.(Delgr.,significativo)adj.Pertenecienteorelativoala
significacindelaspalabras.||f.Estudiodelsignificadodelossignoslingsticosy
desuscombinaciones,desdeunpuntodevistasincrnicoodiacrnico.V.calco
~,campo~.
Semitica. (Del gr. ). f. semiologa (estudio de los signos en la vida

social).||Teorageneraldelossignos.
Seal.(Dellat.signlis,desgnum,sea).f.Marcaonotaqueseponeohayen
las cosas para darlasa conocer y distinguirlas de otras. || Signo o medio que se
emplea para luego acordarse de algo. || Distintivo, marca. || Signo (cosa que
representaosustituyeaotra).||Indicioomuestrainmaterialdealgo.||Sea(nota,
indicioogesto).||Vestigiooimpresinquequedadealgo,pordondesevieneen
conocimiento de ello. || Imagen o representacin de algo. || Prodigio o cosa
extraordinariayfueradelordennatural.||dar~esdealgo.fr.Mostrarindiciosde
suexistencia.||en~.loc.adv.Enprueba,prendaomuestradealgo.
Signo. (Del lat. signum). m. Objeto, fenmeno o accin material que, por
naturalezaoconvencin,representaosustituyeaotro.||Indicio,sealdealgo.||
Mat. Seal o figura que se usa en los clculos para indicar la naturaleza de las
11
cantidades y las operaciones que se han de ejecutar con ellas. || natural. m. El

quenoshacevenirenconocimientodealgoporlaanalogaodependencianatural
quetieneconello.
Smbolo. (Del lat. simblum, y este del gr. oo). m. Representacin

sensorialmente perceptible de una realidad, en virtud de rasgos que se asocian
conestaporunaconvencinsocialmenteaceptada.||Ling.Tipodeabreviacinde
carctercientficootcnico,constituidaporsignosnoalfabetizablesoporletras,y
quedifieredelaabreviaturaencarecerdepuntop.ej.,N,He,kmy$porNorte,
helio, kilmetro y dlar, respectivamente. || algbrico. m. Letra o figura que
representa un nmero variable o bien cualquiera delosentes paralos cuales se
hadefinidolaigualdadylasuma.
Sintctico, ca. (Del gr. ). adj. Gram. Perteneciente o relativo a la

sintaxis.
Sintaxis. (Del lat. syntaxis, y este del gr. , de , coordinar). f.

Gram. Parte de la gramtica que ensea a coordinar y unir las palabras para
formar las oraciones y expresar conceptos. || Inform. Conjunto de reglas que
definen las secuencias correctas de los elementos de un lenguaje de
programacin.
Tabla. (Del lat. tabla). Lista o catlogo de cosas puestas por orden sucesivo o
relacionadas entre s. || Cuadro o catlogo de nmeros de especie determinada,
dispuestos en forma adecuada para facilitar los clculos. Mat. tabla de
multiplicacindelosnmerosdgitosdispuestaenformadecuadro.
NormasGeneralesdepresentacin
LosCriterios
Paralaelaboracindelasrepresentacionesseguiremoscincocriteriosnormativos
bsicosquenecesariamentedebencumplirse:
12
Importancia. Denotando lo relevante o sustantivo contra lo adjetivo de lo

quesemuestra,comoapoyoalosdatosdelainvestigacin.
Pertinencia.Implicalainclusindesolamentelonecesario,importanteylo
conveniente.
Esttica. Referida a una presentacin atractiva, que invite al lector a

consultarla,buscandolaproporcinentrelaforma,elfondo,elajustedelos
espacios,eltamaoylaformadelasletras.
Equilibrio. Cuidando la distribucin de las concentraciones de objetos,

rtulos,espaciosvacosylasanotacionescomplementarias.
Simplicidad.Conlosmenoselementosposibles.
Los epgrafes, referencias cruzadas, fuentes y colores tienen regulaciones

tcnicas generales y especficas para cada tipo de publicacin, presentacin y
editor,loscualessonespecificadosenGuasparalosautoresqueproporcionan
a cada investigador que solicita que su material sea publicado. En adelante
revisaremoslosaspectosgenricos.
LasNormasparalaelaboracindelasrepresentaciones
Losgraphosdebenirnumeradosprogresivamentesinanteponerlaabreviaturade
nmero (i.e., Cuadro 3), acontinuacin se anotar el ttulo, el cual estarescrito
en la parte superior y con letras minsculas, excepto la inicial de la primera
palabraylasinicialesdelosnombrespropios.Elttulofinalizarconunpunto.
Los rtulos explicativos, descriptivos o de referencia del cuadro, figura, tabla,

grficouotrotipoderepresentacin,consudescripcin,sedenominanepgrafes.
Laubicacindelcuadrodeberserinmediatamentedespusdelprrafodondese
lemencionaporprimeravez(anotadocomoreferenciacruzadaconsolortuloy
nmero), siempre y cuando quepa completo en caso de que no quepa en la
13
mismapginadondeselemenciona,secolocaraliniciodelasiguientecuartilla,
en la cual debe reanudarse el texto si an queda espacio despus del grapho,
facilitandoaslalecturayelanlisisdelainformacin.Noesaceptableubicarlos
graphosalfinaldelaLiteraturaCitada.Losgraphosqueensuversinfinalocupen
msdeunapginanosonaceptables.
Cada variable o concepto se identifica con su nombre y unidades. Reduzca las

cifrasgrandesparadejarslolosdgitossignificativos,deacuerdoconelnivelde
precisinconquesemidilavariable.Noesnecesarioutilizartodoslosdecimales
quesalendellistadodelacomputadora,serecomiendansolamente2.
Encadagraphosolamentepresenteunmximodetreslneashorizontalesatodo
lo largo o (aunque puede haber varias sublneas que abarquen parte de las
columnasoconceptos):laprimeralneasecolocadebajodelttulodelgraphola
segunda,abajodeloscriteriosdeclasificacinprincipalesycontieneelcuerpode
datosylatercera,alfinaldelgrapho.
Despus de la ltima lnea horizontal mayor se colocan las notas de pie del
grapho,lasquesondedostipos:
a) Para indicar niveles de significancia estadstica y su simbologa de

representacin,porejemplo(_____=p0.05, p0.01) y para
diferenciar los datos resultantes de tratamientos o muestras se emplean
letrasminsculas(a,b,c,etc.)y
b) Para dar informacin complementaria como llamadas al ttulo, a los

encabezamientos o a los datos, se pueden emplear nmeros arbigos (a
maneradeexponentes)sinembargo,sisecuentaconmquinaqueposea
diferentes smbolos, se recomienda utilizarlos siempre y cuando aporten
claridadalaexplicacin.
EnlaTabla1sepresentaunejemplodelformatogeneral.Ntesequecuandose
generaliza se escribe cuadros o tablas o figuras, etc. en minsculas. Cuando se
14
particulariza se escribe con mayscula, seguido del nmero. Obsrvese tambin

que toda la informacin de este grapho est a doble espacio para que los
asesores,rbitrosyeditorestenganlugarsuficienteparahacersusanotaciones.
Tabla1.Caractersticasacadmicasdegruposdealumnosintegradosporsuscalificaciones
endosaosdeevaluacin.
Caractersticasdeaprovechamiento Atributosmedidos
Gruposde Historia Calificaciones Calificacin Asistencia Horasdiarias
acadmica semestral deestudio
Alumnos promedios Exmenes Tareas(%) Hrs.medidas Hrs.
declaradas
2001
GrupoA 87 85 34.2 248 3.25
GrupoB 92 89 33.4b 145 3.00
IntegracinAyB 97 96 31.0c 120 3.12
2002
GrupoA 87 86 28.5 340 3.60
GrupoB 94 92 41.3 280 3.00
IntegracinAyB 99 95 35.0 150 2.00
F
:Promediosdetrestrimestresen2001ycuatroen2002.
:Serefierealobtenidodearchivosdespusdeldiseodelestudio.
:Enesteao,seconcentraronmanualmentelosdatoslosprimeros20dasdespusdelosexmenes.
F:Promediosseguidosdelamismamaneraencadaao,quenosondiferentesestadsticamente,segnDuncan(p0.05).
Adems de los puntos anteriores, los autores tendrn especial cuidado en no

saturarsuescritocongraphosdetamaoreducido,cuandomuchasvecesenuno
se puede reunir la informacin de varios. Sin embargo, tampoco es conveniente
queseempleeuncuadrootablacondemasiadascolumnasohileras,sobretodo
si la informacin tabulada no se utiliza en la discusin. Todas las variables
incluidasenloscuadrosyfigurasestarndescritasenelcaptulodeMaterialesy
Mtodos(Metodologa),ascomoledasydiscutidasenelcaptulodeResultados
y/oeldeDiscusin.
Cuadros
Los cuadros se emplean para clarificar el texto, cuando se presentan nombres o

nmeros con lectura independiente, sinttica y complementaria, o cuando su
15
uso constituye un ahorro importante de espacio. Son claros, simples y concisos.

Cada cuadro debe presentar datos en forma organizada, de manera que facilite
las comparaciones, muestre clasificaciones, se observe rpidamente algunas
relacionesy,sobretodo,seahorreespaciodeltexto.Cadacuadroseexplicapor
s mismo y su contenido no se repite en las figuras ni en el texto del artculo,
solamentesehacereferenciaal.
Solamente los cuadros y las tablas tienen el epgrafe en su parte superior. Las
demsrepresentacionesiconogrficaslotendrnenlaparteinferior.
Tablas
Las tablas son concentrados de datos numricos ordenados matricialmente para

mostrar los listados de resultados que son la fuente de la informacin textual
analtica, presentada en forma de lectura interdependiente. Siguen las mismas
normasgeneralesensupresentacin.
Figurasyotrasrepresentacionesgrficas
Las figuras y otras representaciones como dibujos, grficas, diagramas y

fotografastienenbsicamentelasmismasnormas.Suinformacin,enelcaptulo
deResultados,noseduplicaenotrasrepresentacionesqueexplicanlomismo,ni
enformadeprosaeneltexto.
Encasodelasfotografas,debenteneruncontrasteadecuadoparasuimpresin
o fotocopia de tamao postal y que claramente sealen lo que el autor desea
mostrar.
Losdibujos,grficasydiagramasdebenserpresentadoscontodalainformacin
que permita su comprensin para un pblico amplio, en un epgrafe al pie de la
figura.
Aligualqueenelcasodeloscuadros,lasfigurasseespecificaneneltextoyenel
ttulo de las mismas como referencias cruzadas con mayscula inicial, como por
16
ejemplo Figura 1, Figura 2,... (Figuras 8 y 9), etc. Los autores deben considerar
que la reproduccin de figuras es conveniente hacerlas de un tamao tal que
permitamantenerlanitidezenunareduccinhastade50%paralaimpresinfinal.
Alrespecto,sesugiereuntamaodemediapginaparafigurassencillasydeuna
pginaparafigurascomplejas,conuntamaomnimode8puntosparalasletras
onmeros.
En una figura lo que interesa destacar es el contenido y no los ejes.

Consecuentemente,elgrosordeestosltimosconvienequeseamenorqueelde
las lneas interiores. Para indicar las dimensiones de los ejes se sugiere elegir
escalasapropiadas,quedestaquenloquesedeseamostrarlasleyendasdecada
eje se colocarn como se indica en la Figura 1. Observe que la figura no tiene
marco, lo que aumenta la simplicidad pero no se pierde contenido. En
consecuencia, los editores solamente se aceptan las figuras si cumplen con los
requisitosindicadosporellos.
80.00
70.00 Edades
estimadas
60.00
11
50.00 12
13
40.00
14
30.00 15
16
20.00
10.00
0.00
11 12 13 14 15 16
Edadesreales
Figura1.Ejemplodeelementosdeunafigura.
17
Aligualqueloscuadros,todaslasfigurasdebernestarexpresamentecitadasen
eltextoprevio,enordenprogresivo.
Nunca comience un apartado, ya sea captulo (ttulo de primer orden) o ttulode

segundootercerordenconunatablaorepresentacingrfica.
Unidades
Las unidades a usar son las del Sistema Internacional. Se sugiere colocar entre
parntesis la equivalencia de los smbolos de cualquier otro sistema la primera
vezquesenombreunaunidad,sisondiferentes.
Enunaseriededatosconigualunidaddemedicin,utilicenumeralesseguidosde
laformaabreviadadelaunidad(sincolocarpuntofinalnimaysculasalprincipio)
porejemplo:2,4y6mlL1,16,20y33%3400,1200y400kg,4y9meses.
Encambio,sislohayunacifraystaesmenorde10,seescribeconpalabras
(seisvariables,cuatrorepeticiones,ochoambientes),adiferenciade16alumnos,
126 casos sin embargo, si esa cifra va acompaada inmediatamente de alguna
unidaddelsistemainternacional,debeexpresarseconnmero(2mg,g1,6g,5lt)
No empiece una frase o prrafo con un numeral. Cambie la frase o escriba la

cantidadconletras.
Cuando se trate de nmeros grandes en el texto, procure redondear la cifra y

emplear palabras como parte del nmero as, $458,960.00 puede expresarse
comocasi460milpesos.Recuerdequelossmbolosdelasunidadesdemedida
no se pluralizan: kilo(s) = kg, kilmetro(s) = km, hectrea(s) = ha, metro(s) = m,
litro(s)=lt,gramo(s)=g,etc.
18
Frmulas
Losndicesysubndicesestarnbienubicadosylegibles.Tengaespecialcuidado
endiferenciarclaramentelosnmeros0y1delasletrasOel,respectivamente.
Eltamaomnimoaceptableesde2mmu8puntos.
Lasletrasgriegas,ascomolossmbolosqueseutilizanparamarcaroreferir,se
explican inmediatamente despus de haberse usado por primera vez, excepto
aquellosdeldominiodelsistemainternacional.
Para expresar fracciones use la forma lineal, con exponentes negativos para los
denominadoresejemplo:g/cm2,kg/ha1
Las ecuaciones que expresan las derivaciones matemticas de una frmula,

progresivas o no, sern numeradas consecutivamente entre parntesis, al lado
derecho cuando sean ms de una. En general se numeran slo aqullas
explcitamentereferidaseneltexto.
Se recomienda el uso de potencias fraccionarias (0.5, 0.33) en vez de races

cuadradas,cbicas,etc.
Las potencias de e se expresan mejor como exp (abreviatura de la funcin

exponencial)
En el caso de las frmulas qumicas, la carga de los iones se expresa como lo

sealaelejemplosiguiente:Ca2 yCO3,ynoCa++.
Enlaescrituradeistopos,elnmerodemasaseindicaenlapartesuperiordel
ladoizquierdodelsmboloejemplo:15N,14C,etctera.
Normasticas
Las grficas pueden ser modificadas para facilitar su lectura y magnificar los
efectosdelosdatos,perotambinparacrearintencionalmenteimpresionesfalsas,
19
de tal forma que es conveniente que el investigador est pendiente de sus

diseos,ydelimpactoquelasrepresentacionestienenenotraspersonas.
Lasiguientegrficapuedesermodificadaparamagnificarlosefectosdelosdatos
y crear las impresiones que convienen a los que la elaboran. En ella se indican
dos variables que miden lo mismo y son recprocos, de tal suerte que la
modificacin no es en los datos, sin en la escala utilizada y las dimensiones del
grfico.
140
ndicedepreciosalconsumidor
120
100
80
Poderadquisitivo
60
40
20
0
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
130
ndicedepreciosalconsumidor
120
110
100
90
80
Poderadquisitivo
70
Jul
Ene
Feb
Jun
Oct
Mar
Dic
May
Nov
Sep
Ago
Abr
20
Elefectoanterior,magnificado,siespreparadoparaunapresentacinpuedetener
un sentido negativo sobre la percepcin pblica de la conduccin de la poltica
econmica, en tanto que si es con fines de anlisis o exploracin de los datos
servirparaapreciarconmsdetallelasvariaciones.
Latica(ethos:comportamiento)delinvestigadorlereclamaapegarsealaverdad
y a la responsabilidad que tiene con los dems usuarios de la informacin que
presenta.
Tiposdeicongrafoscomoejemplo
Seenfatizaquelosprogramasestadsticosparalainvestigacindifierenen
la construccin de grficas, con los programas comerciales de
procesamientodetextosydebasesdedatosconhojasdeclculo,enque
los primeros agrupan los datos en rangos numricos (ambos ejes son
tratados como nmeros o ejes verdaderos X e Y), y los comerciales
presentansolamentelaestructuraquetienenlastablasdeorigen(unejees
tratadocomonmerosyotrocomoetiquetasdecategoras).
LosprimerossellamanGrficosCientficosoTcnicosylossegundos
GrficosSecuenciales.
Elanlisispreliminardelasbasesdedatosesaltamenterecomendableantesde
suprocesamiento,paraelloloscasosatpicosuoutliersseeliminansiestnms
all de 3 sigmas, siempre y cuando exista un previo anlisis explicativo
independientedecadaunodeellos,yaquepudieronserintroducidosporerrores
dededoenlacapturaodesviacionespreferencialesafectivasdelossujetos.Para
logrardetectarlosseutilizangrficoscomoBoxPlotquelosmarcan.
Las representaciones de datos o dibujos descriptivos pueden clasificarse

convencionalmenteyamaneradeejemploseusalasiguientetipologageneral.
21
1. Matrices
Lasmatricesdedatosusualmentenosepresentanenlainvestigacinamenosde
quesetratedeejemplificaromostrarconellasalgnhechorelevantequeinfluye
enlainvestigacin.Lasmatricessonreferidascomotablasdedobleentrada.
Elsiguienteejemplomuestraunfragmentodeunabasededatos:
Nmero GEdad GCiudad Regin GGnero RMafecto REreconv HreaucasHregtradHregacua
1 15 Saltillo Sureste 1 1 0 2 3 5
Seconsideransimilares:Matricesdecorrelacin(generalmentepresentadascomo
tablas),Matricesdelasbasesdedatos.
No todas las matrices o tablas requieren ser incluidas en la investigacin o el

informe de la misma, a menos que sea estrictamente necesario. El siguiente
ejemplo muestra una matriz de datos de correlacin que no aparecer en la
investigacinperoquetienevalorexploratorioycomolecturaparalosresultados.
Correlacionescannicasdelasvariablesdelacohorte16significativasap .01N=69yunar 0.31

Justicia Autocontrol Autocontrol Autocontrol Autocontrol Autoestima
RMREGJUS RMAUTCON RMCOMRES RMAUTIMP RMPACREC RMCONLIM
HBUEXIG 0.374 0.428 0.346 0.324
HCOMPL 0.502
HCONTAUT 0.423
HINDMEJ 0.342
22
HNOCAST
REACTIV 0.348 0.309
REAFECTO 0.312 0.478 0.319 0.362
REAPADRE 0.359 0.331
REAPJUVE 0.449 0.316
REAPMOTR 0.338 0.503
REBUECON 0.460 0.410 0.394 0.516 0.364 0.539
2. Cuadros
Loscuadrossonrepresentacionesdedatosimportadosdeotrosautores,dondese
concentralainformacinsistemticamenteorganizadaypertinente.
Ejemplo:
Las polticas de desarrollo agrcola relacionadas con los factores de la

sustentabilidadambiental,sonpropuestasporGligo(1990)deacuerdoalsiguiente
cuadro:
Factores: Polticas:
Global Especfica
Coherenciaecolgica Cientficay Investigacinderecur

tecnolgica. sosnaturales.
Investigacinagron
mica.
Ordenamiento reasprotegidas.
territorial. reasdeexpansin
agrcola.
EstabilidadSocio Estructurade Reformaagraria.

estructural. tenencia. Regulacinjurdica.
Complejidadinfra Obraspblicas. Riegoydrenaje.

estructural. Obrasviales.
Estabilidadecon Comercializacin. Capacidaddecompra.

micofinanciera. agropecuaria Preciosdeproductos.
Preciosagrcolas. Preciosdeinsumostec
nolgicos.
Crditosagrcolas. Crditossubsidiados.
Subsidiospara Subsidiosparalarecu
larecuperacin peracindelossuelos
ambiental. erosionados.
23
Subsidiosparalarefo
restacin.
Incertidumbrey Financiera. Fondosderubrosespe

riesgo. cficos.
Seguros.
3. Tablasparaelinformedeinvestigacin
Las tablas concentran datos con una entrada de rtulos en la parte superior, y
representan una concentracin de datos relevantes y pertinentes de lo que se
deseamostrar.
Se consideran similares: Tablas de resultados estadsticos, Tablas comparativas

detratamientos.
4. Diagramas
Se consideran similares: Dendrogramas, Rutas, Secuencias, Correlacionales,

Constelaciones, Dispersogramas, Flujo, Diacrnico, Polietapas, Mapas
conceptuales.
24
5. Figuras
Seconsideransimilares:Grficasdeconos,CarasdeChernoff,conosdePastel,
Estrellas, conos de Columnas, Rayos solares, conos de Lneas, conos
poligonales,conosdeperfiles.
25
6. Grficos
Se consideran similares: Histogramas, Grficas de cajas, Grficas de puntos,

Grficas de lneas, Grficas de probabilidad, Grficas de reas, Grficas
circulares, Anillos, Grficas ternarias, Superficie, Grficas de contorno, Grficas
secuenciales.
26
27
7. Lminas
Ilustracionescoloreadas.
28
8. Mapas
Distribucionesterritorialesymentales(siasseespecifica),Ubicaciones,Rutas.
Combinacionespersonalizadas
Losarreglosespecficosdelosdatosmodificandolosestilospredeterminados.
Diseos2Dy3D
Solamenteusualesencasosenqueserequiereincluir3omsvariablesquese
relacionan dimensionalmente. No se permiten en la mayora de las editoriales
debidoaquesepierdelaperspectivadelosejesXeY.
Ajustespersonalizados
Sepermitenlasmodificacionespredeterminadasenejes,colores,leyendas,tablas
adjuntas, tendencias, lneas de divisin. De hecho, es deseable realizar las
modificacionespertinentesparaganarmayorriquezaenlapresentacin.
29
Simbologa
Las literales, smbolos especiales y smbolos internacionales se permiten en la

mayora de las publicaciones, conla precaucin de no saturarlarepresentacin,
indicandosusignificadoalpidelagrficaoeneltextoprevio.
Colores.
Serequierepreferentementeusarloscoloresblancoynegroparapublicacionesy
encolorparapresentacionesenpantallaconfinesexploratorios.
30
APARTADOB. GENERACINYUSODE
GRFICOSCOMUNES 2
I. PRLOGO
Se ha seleccionado cuidadosamente el material de los programas NCSS y

Statisticapordosrazones:primero,dadoquelasbasesqueseaprendenenellos
para la generacin, exploracin y lectura de datos de una investigacin son
verstilesysencillos,yensegundolugar,porqueseutilizaextensamenteporlos
maestros y alumnos en el desarrollo de sus investigaciones en los estudios de
CienciasSocialesyNaturales.
Seinsisteenquelosprogramasestadsticosparalainvestigacindifierendelos
programascomercialesdeprocesamientodetextosydebasesdedatosconhojas
declculoparalaconstruccindegrficas,enquelosprimerosagrupanlosdatos
enrangosnumricos(ambosejessontratadoscomonmerosoejesverdaderos
XeY),yloscomercialespresentansolamentelaestructuraquetienenlastablas
deorigen(unejeestratadocomonmerosyotrocomoetiquetasdecategoras).
LosprimerossellamanGrficosCientficosoTcnicosylossegundosGrficos
Secuenciales.
Evidentemente los grficos cientficos tienen mucha mayor riqueza y poder enla
presentacin y la exploracin de los datos para convertirlos en informacin
confiable. Al estudiar stos mdulos bsicos, se sigue un criterio de anlisis
didcticoparafavorecerelaprendizajedelusodeestadsticosporgrficos.
2
Laadaptacin,traduccinyajustesquepresentanlostextosseleccionadosenstosapunteshan
sido modificados por el autor a partir de materiales originales de NCSS (Number Cruncher
StatisticalSystem)yStatistica,parafacilitarsucomprensincomomaterialdegua.
31
Nmerodeclases
Antes de comenzar con la elaboracin de grficos es conveniente conocer el

nmerodeclases,segmentosoporcionesenquesedistribuirngrficamentelos
datos.Paraelloseutilizandosprocedimientoscomunes:
1) Frmula de Sturges para el nmero de clases (Forns, M., T. Kirchner, y M.

Torres(1991).k=1+3.3(logn).donde
k=nmerodeclases
n=tamaodelamuestra
Ejemplo:
Muestra:257
Desarrollo:Logden=2.41
Base3.3+1=4.3
k=10
2) Regladeltanteo (http://www.cofc.edu/~milesd/freqdist.htm)k=5(logn).
donde:
k=nmerodeclases
n=tamaodelamuestra
Ejemplo:
Muestra:257
Desarrollo:Logden=2.41
Base5
k=12
Enamboscasoselnmerodeintervalosdeclaseesmuysimilargrficamenteyel
investigadorrequiereaplicarambosparaobservarydecidirculeselquemuestra
mejorlosdatos.
II. HISTOGRAMAS
Introduccin
Lapalabrahistogramavienedelosgriegosstos(ists)quesignificamstil,telar,
tejido, trama de filamentos, y gram (gramma) a, que significa letra, trazo, signo,
32
esquema o grfico. Por la definicin directa de histograma se toma grfico de

tramas o postes. (Histograma. De histo y grama. 1. m. Estad. Representacin
grfica de una distribucin de frecuencias por medio de rectngulos, cuyas
anchurasrepresentanintervalosdelaclasificacinycuyasalturasrepresentanlas
correspondientesfrecuencias.RealAcademiaEspaola:www.rae.es)
Histogram
Quizs esta palabra fue elegida
40.0
porque un histograma parece
una trama o un conjunto de
26.7
postes que estn alineados
juntos. Un histograma se utiliza Count
paraexhibirladistribucindelos 13.3
valoresdelosdatosalolargodel
nmero de la lnea verdadera. 0.0
40.0 53.3 66.7 80.0
Compite con el diagrama de SepalLength
probabilidadcomomtododeanlisisgrficodelanormalidad.
A veces no se puede comprender un conjunto grande de observaciones

leyndolas directamente. Para realizar la lectura de los nmeros, usted debe
resumirlos, clasificando, agrupando, y obteniendo un promedio de ellos. Un
mtododehacerestoesconstruirunadistribucindefrecuencias.Estoimplicael
dividir el rango de los datos en algunos intervalos (generalmente iguales). El
nmero de las observaciones que se agrupan en cada intervalo se cuenta
grficamente.Estodaunadistribucindefrecuencias.Elhistogramaesungrfico
dedistribucindelasfrecuenciasenelcualelejevertical(y)representalacuenta
(frecuencia)yelejehorizontal(x)representaelrangoposibledelosvaloresdelos
datos.
ObserveenelsiguienteejemplodeStatisticacmoseincluyenlosrangosdelos
intervalos y los detalles tcnicos de la grfica. Todas las especificaciones de la
grficapuedensereditadasdesdeelprogramaantesdequelapuedaincluirensu
informe de investigacin. Para editar algn aspecto especial en ese programa
33
haga clic con el botn derecho del ratn y selecciones options o layout.
Observequeentreparntesisseincluyenlosintervalosdeclase.
Histogram(EJERMETI.STA12v*25c)
y=25*5*normal(x,49.2,13.31665)
6
4
Noofobs
0
<=25 (25,30] (30,35] (35,40] (40,45] (45,50] (50,55] (55,60] (60,65] (65,70] (70,75] >75
POTENCIA
LaDensidaddeltrazo
El histograma se utiliza extensamente y necesitapoca explicacin. Sinembargo,

tienesusdesventajas.Primero,elnmeroylaanchuradelosintervalossonuna
decisinsubjetiva,contodo,elnmerodeintervalosdeclasepuedesercalculado
con la frmula de Sturges k=1+3.3(log n), o la regla de tanteo que se vio en el
apartado anterior, y la seleccin que hagamos tiene un alto impacto en la
apariencia del histograma. Los valores de lmite levemente modificados pueden
dardramticasaparienciasadiversoshistogramas(ustedpuedeexperimentarcon
NCSSparaverelimpactodecambiarelnmerodeintervalosenlaaparienciadel
histograma). Otro problema con el histograma es que los rectngulos aparentan
que los datos estn separados uniformemente a travs del intervalo, pero a
menudoenlarealidadstenoeselcaso.
Tambin,laaparienciaglobaldelhistogramarepresentalanaturalezaalgoalisada
de la distribucin de los datos. Estas quejas contra el histograma han trado
34
muchas innovaciones. Una de las tcnicas ms nuevas y populares de la

presentacinparademostrarladistribucindedatosesladensidaddeltrazo.La
densidad se refiere a la frecuencia relativa (concentracin) de los puntos de
referencias a lo largo del rango de datos. Matemticamente, la densidad en un
valor x se define como la fraccin de los valores de los datos por la unidad de
medidaenunintervalocentradoenx.
Unavezqueustedescojaunaanchuraconvenientedelintervalo,puedecalcularla
densidadencualquier(yacada)valordex.Siustedcalculaladensidaden,por
ejemplo, 50 valores y los conecta, obtiene la densidad del trazo.
Desafortunadamente muchosprogramasno contienenstafuncin.EnNCSS,la
anchuradelintervaloseespecificacomoporcentaje.Mientrasqueustedaumenta
elporcentaje,ustedaumentalacantidaddedatosincluidosencadaclculodela
densidad.Estoaumentalasuavidaddelagrfica.Loscuatrotrazossiguientesde
ladensidadfueronhechosdelosmismosdatosconaumentodelporcentajedela
suavidad. Observe cmo muestran ms estas grficas que el histograma comn
presentadoaliniciodestecaptulo.
Ladensidaddeltrazoal25%delosdatosserepresentadelasiguienteforma:
Histogram
80.0
53.3
Count
26.7
0.0
40.0 53.3 66.7 80.0
SepalLength
Condensidadde30%quedaraas:
35
Histogram
50.0
33.3
Count
16.7
0.0
40.0 53.3 66.7 80.0
SepalLength
Entantoquecon40%lafiguraseagrupams,peromantienelaconcentracin
marcada:
Histogram
40.0
26.7
Count
13.3
0.0
40.0 53.3 66.7 80.0
SepalLength
Enuncasoextremodeagrupamientoal60%elefectoseexageradelasiguiente
forma:
36
Histogram
40.0
26.7
Count
13.3
0.0
40.0 53.3 66.7 80.0
SepalLength
Mientras se aumenta la anchura del intervalo son incluidos los puntos de

referenciasmslejanosymsprximosdelvalordecentro.Paradisminuirelpeso
de los puntos que quedan lejos del valor de centro, utilizamos un esquema que
carga los puntos de los pesos proporcionalmente a su distancia del valor del
centro.Lafuncindelpesousadaeslamitaddelafuncindelcoseno,consupico
enelvalordecentroquedisminuyesimtricamenteacero,despusdelocualse
aplicaunpesodecero.Porloanterior,lospuntostienenunimpactocadavezms
pequeo y ms pequeo en la densidad del trazo, mientras que estn ms al
fondoymsprximosdelcentro.
Otra manera de pensar en la densidad del trazo es imaginarse que usted

construye 1,000 histogramas de los mismos datos usando posiciones levemente
diversasdellmiteytomalaalturamediadelrectnguloencadaunode50valores
a lo largo del rango de datos. Esto le dara un histograma alisado que tiene
muchas de las mismas caractersticas de la densidad del trazo. Por lo tanto, la
densidad del trazo se debe pensar como un histograma alisado, en el cual la
anchuradelintervaloyelnmerodecompartimientosnoestnenjuego.
Estructuradedatos
37
Elhistogramaseconstruyeconunasolavariable.Unasegundavariablesepuede
utilizarparadividirlaprimeravariableengrupos(Ej.,categoradeedadognero).
No se solicita otro requisito en los datos de entrada. Sin embargo, las
distribucionesdisponiblesenNCSSasumenquelosdatossoncontinuos.Observe
quesonignoradaslasfilasconvaloresperdidosenlasvariablesseleccionadas.
III. GRFICASDEPASTEL
IntroduccinyPropsitosGenerales
Losfinesgeneralesdelagrficadepasteles
Grficadepasteldelpresupuesto
construirsegmentosdividiendouncrculoen
Marketing Administracin
dosomssecciones.Lagrficaseutiliza
R&D
paramostrarlaproporcinenquecadaparte
contribuyealtotal.Porlotanto,debeser
utilizadacuandousteddeseacomparar
categorasindividualesconelconjunto.Si
usteddeseacompararlosvaloresdeuna
categoraconotra,utiliceundiagramadela
Produccin
grficadedispersindebarras.Porejemplo,
lagrficamuestraelpresupuestoparacadaunodeloscuatrodepartamentosen
unacompaahipottica.Lasgrficasdepastelsontilesparaexhibirhastacerca
deseisosieterebanadasoporciones.
Laestructuradelosdatos
Los valores de datos deben ser positivos y numricos. Se omiten los valores no
positivos. Los datos se pueden incorporar en la tabla en dos formatos posibles:
verticales u horizontales. En el formato vertical, una variable (columna) contiene
losvaloresquesegraficarn.Enelformatohorizontal,unafilaloscontiene.Estos
datosestnenlabasededatosoriginaldelagrfica.
38
IV. DIAGRAMADECAJAS
Introduccin
Al analizar los datos con un diagrama usted necesita ver a menudo las
caractersticas de una sola serie de nmeros, de observaciones o de medidas.
Puede ser que desee conocer el centro y cmo est la distribucin de los datos
sobre este valor central. Puede ser que usted desee investigar los valores
extremosatpicos(llamadosoutliers)oestudiarladistribucindelosvaloresdelos
datos(elpatrndelosvaloresdelosdatosalolargodelejedelamediana).Hay
varias tcnicas que estn disponibles para permitir que usted estudie la
distribucin. stos incluyen el diagrama de tallohoja, el histograma, la densidad
del trazo, el diagrama de probabilidad, y el diagrama de cajas (Box Plot)
presentadoenseguida.
Ladefinicindeldiagramadecajas
Eldiagramadecajasdemuestratrescaractersticasprincipalesdeunavariable:su
centro,ladistribucindesusdatos,ysusoutliersovaloresatpicos.
LaCaja
Eldiagramadecajassecomponedeunacaja(unrectngulo)conlaslneas,ylos
puntosagregadosaella.Laanchuradelacajapuedeserarbitrariaoconvencional
ysedebeseleccionarsudimensinparahacerunaexhibicinagradablealavista.
La presentacin usual de los lmites de la cubierta y el fondo de la caja son los
porcentajes25avoy75avo.Lalongituddelacajaesaselrangointerquartil(IQR).
Esdecir,lacajarepresentael50%omitaddelosdatoscentrales.
ElIQResunamedidapopulardeladistribucin.Ustedpuederepresentarlacaja
comounrectngulo,undiamante,unaelipse,ounafiguraespecialdiseadapara
hacercomparacionesmltiples.Enellasedibujaunalneaatravsdelcentrode
39
lacajaenelpuntomedioomediana(elporcentajedel50avo).Elpuntomedioes
unamedidapopulardelalocalizacindelvalormedioodecentrodelasvariables.
BoxPlot
80.0
SepalLength
65.0
50.0
35.0
1 2 3
Iris
BoxPlot
80.0
SepalLength
65.0
50.0
35.0
1 2 3
Iris
Losvaloresadyacenteslmites
Los valores adyacentes al borde superior de la caja son la observacin ms

grande,queesmenorque,oigualalporcentajedel75avoms1.5vecesIQR.El
valoradyacentemsbajodelacajaeslaobservacinmspequeaqueesmayor
que,oigualalporcentajedel25avomenos1.5vecesIQR.Losvaloresadyacentes
40
se exhiben como lneas en forma de T que se extienden en cada extremo de la

caja.Otrosvaloresfueradeloslmitessonconsideradosextremos.
Losvaloresextremos
Losvaloresqueseubicanfueradelosvaloresadyacentessuperioresymsbajos
quelaTdelagrficasellamanvaloresextremos,anmalosoatpicos(outliers).
Los valores que estn debajo de tres IQRsdelos 25avo y75avoporcentajes se
llamanoutlierssuaves,entantoquefueradetresIQRssellamanoutliersseveros.
Losoutlierssuavesnosonrarosylosoutliersseverossiloson.
Comparacionesmltiples
Estas se utilizan a menudo para las distribuciones de varias agrupaciones de

datos,puestoqueresumenelcentroyladistribucindelosdatosconapariencia
muy agradable. Al hacer comparaciones concluyentes entre las localizaciones
(puntos medios) de varias agrupaciones, es til hacer un diagrama de caja
modificadollamadodiagramatruncado.
Seconstruyenloscortesusandolafrmula:
( ) MedianaIQRn 1.57.
Los diagramas truncadosde caja se utilizanpara hacer comparaciones mltiples

entre las agrupaciones. Si los cortes de dos cajas no se traslapan, podemos
asumir que los puntos medios son perceptiblemente diferentes (los centros son
estadsticamente significativos). El 1.57 se selecciona para el nivel del 95% de
significancia. El diagrama de cajas presentado abajo es el diagrama truncado
clsico.
41
BoxPlot
80.0
SepalLength
66.7
53.3
40.0
1 2 3
Iris
Recientemente,losestadsticoshannotadoqueeldiagramatruncadodecajano
permitequeustedsecentreenlascomparacionesmltiples.Sehapropuestouna
versin moderna del diagrama truncado para hacer esta comparacin (vase el
diagramaabajo).
BoxPlot
80.0
SepalLength
66.7
53.3
40.0
1 2 3
Iris
Estaversinmodificaelsmbolousadoparalacaja.Dehecho,ponelacajahacia
fuera, y dos lneas horizontales marcan la posicin de la caja. La parte que se
grafica es solamente la parte truncada. Esto hace mucho ms fcil hacer
comparaciones.Sidosdeloscortessetraslapan,lospuntosmediosdelgrupono
42
son perceptiblemente diferentes. Observe que al hacer comparaciones entre

varias agrupaciones,losdiagramas truncados no requieren ningn ajuste parala
multiplicidad de pruebas en que son conducidos. Mientras que los diagramas
truncadosseutiliceninformalmente,nohaynecesidaddeajustestcnicos.
Laestructuradedatos
Eldiagramadecajasseconstruyeapartirdeunavariable.Unasegundavariable
sepuedeutilizarparadividirlaprimeravariableengrupos(Ej.,categoradeedad
o gnero). En este caso, un diagrama separado de la caja se exhibe para cada
grupo.Nosesolicitaotrorequisitoenlosdatosdeentrada.
V. CARTASOGRFICASDEBARRAS
IntroduccinyPropsitosGenerales
Lasgrficasdebarrasse
utilizanparacomparar
90
visualmentevalores 80
70
contiguos.Hayalgunas
Toneladas
60
50
variacionesenlagrfica 40
debarras,stasincluyen 30
20
lagrficadebarras 10
0 Abril
vertical,lagrficade Mayo
s
na
s
za
barrashorizontal,la
ra
s
an
Pe
no
Junio
M
s
az
ja
grficaderea,yla
ur

an
s
D
wi
ar
Ki
es
grficadelneas.Hay
on
el
M
versionesbiy
tridimensionalesdecadauno.Arribasemuestraunejemplodeunagrficade
barras3D.
Laestructuradedatos
43
Los datos de la grfica de barras 3D se incorporan en el formato estndar de la

filacolumnadelahojadedatos.Cadavalornumricodelosdatosseconvierteen
unabarra.Losdatosalfabticosseutilizanparaetiquetarlasfilasylascolumnas
delagrfica.Enlatablaestunejemplodelosdatosgraficados.
FRUTA ABRIL MAYO JUNIO

Manzanas 82 70 20
Peras 73 50 33
Duraznos 67 45 28
Naranjas 85 65 17
Kiwis 54 42 24
Melones 33 58 20
VI. DIAGRAMASDEPROBABILIDAD
Introduccin
Este procedimiento construye los diagramas de probabilidad normal, las

distribuciones de Weibull, Chiajustado, de gamma, uniformes, exponenciales, y
mitadnormales.Lepermiteintentarvariastransformacionesparaversialgunase
acerca ms ala distribucin de suinters.Los lmites de confianza aproximados
se dibujan para ayudar a precisar si un sistema de datos sigue una distribucin
dada.Siseespecificaunavariableagrupadora,sedibujaenunalneaseparaday
seexhibeparacadavalornicodelavariableagrupadora.
44
NormalProbabilityPlotofSepalLength
80.0
SepalLength
66.7
53.3
40.0
3.0 1.0 1.0 3.0
NormalDistribution
Proporcionaremos una breve introduccin a las tcnicas de grficas de

probabilidad, y una discusin completa de este asunto se puede encontrar en
Chambers(1983)queprocuraremosresumiracontinuacin.
Muchos anlisis estadsticos asumen que los datos estn muestreados de una
poblacinmsgrandeconunadistribucinespecificada.Amenudo,ladistribucin
de esta poblacin ms grande se asume que es normal (en trabajos de
confiabilidad y de supervivencia la distribucin subyacente se asume que es
exponencialoWeibull).Estoamenudosellamalaasuncindenormalidad.(note
queladistribucinnormalavecesesllamadadistribucingaussianaparaevitarla
confusinconsudefinicincomn.Aunqueimplicaqueesnormalladistribucin
generalmente,noloes!Estaasuncindenormalidadsehaceporvariasrazones:
1.Permitequelosdatosseanrepresentadoscompactados.Milvaloresquevienen
deladistribucinnormalsepuedenresumirporsolamentedosnmeros:lamedia
ylavarianza.
2.Permiteelusodevariosprocedimientosestadsticos,talescomoelanlisisde
lavariabilidad,depruebast,oderegresinmltiple.
45
3. Permite que las generalizaciones sean hechas de la muestra a la poblacin.

Estasgeneralizacionestomangeneralmentelaformadeintervalosdeconfianzay
depruebasdehiptesis.
4. Entender la distribucin de una muestra puede proporcionar la entrada en el

procesofsicoquecrelosdatos.
Obviamentelanaturalezanogeneraautomticamentelosdatosquesiguencierta
distribucin de probabilidad. Cuando usted asume que sus datos siguen la
distribucinnormal,realmenteestasumiendoqueladistribucindesusdatoses
razonablementeaproximadaaladistribucinnormal.Lapreguntaquesepresenta
es que tan bastante cerca est de lo normal? Esta pregunta se puede estudiar
usando procedimientos numricos y grficos. Se han desarrollado las pruebas
numricas de hiptesis que permiten que usted determine si sus datos siguen
ciertadistribucin.ConsultesobremnibusK.
Laspruebasparalanormalidadseproporcionangeneralmenteenlosprogramas
estadsticosenelapartadodeestadsticadescriptiva.Losprocedimientosgrficos
son tiles porque le dan una impresin visual sobre si es vlida la asuncin de
normalidad. Le permiten precisar si la asuncin es invalidada por uno o dos
outliers (que podran ser quitados), o si los datos siguen una distribucin
totalmente dispersa. Tambin sugieren qu transformacin de los datos (raz
cuadrada,registro,locontrario,losetc.)siguemsdecercaladistribucinnormal.
El mejoracercamientoesaplicarprocedimientosnumricosygrficos.Dadoque
losdatosestndisponiblesensucomputadora,tomansolamentealgunosgolpes
detecladohaceramboschequeos.
Lalecturadeldiagramadeprobabilidad
Esta seccin presentar algunos delos fundamentos para el anlisis ylalectura

de los diagramas de la probabilidad. Nuestra discusin es breve, as que es
recomendable que busque informacin adicional si lee regularmente estos
diagramas. Tambin, la experimentacin es un profesor muy bueno. Usted debe
46
hacer varias prcticas con bases de datos que siguen los patrones que usted
comprende.Generelosdiagramasdeprobabilidadparaconseguirunaapreciacin
decmosemuestrandiversospatronesdedatosenlosdiagramas.Silospuntos
en la probabilidad se trazan en toda la pendiente a lo largo de una lnea recta,
ustedpuedeasumirquelosdatossiguenesadistribucindelaprobabilidad.Porlo
menos,ladistribucinrealesbastanteaproximadaparaladistribucinqueusted
ha trazado. Discutiremos brevemente los tipos de patrones que coincidan
generalmenteconsalidasdelarectituddeestalnea.
Losoutliers
Losoutliersocasosatpicossonlosvaloresquenosiguenelpatrndelcuerpode
los datos. Se localizan en cualquier extremo de la probabilidad. Puesto que los
outliers grandes desviarn seriamente la mayora de los anlisis estadsticos,
usted debe investigarlos cuidadosamente. Si son errores u ocurrencias de una
sola vez deben ser quitados de su anlisis. Una vez que se hayan quitado los
outliers,eldiagramadeprobabilidaddebeserrediseadosinellos.
Lascolaslargas
De vez en cuando algunos puntos en ambos extremos se perdern de la lnea.

Estos puntos parecen seguir un patrn, no el patrn del resto de los datos.
Generalmente, los puntos en el extremo de la lnea tirarn para arriba, mientras
quelospuntosenelfondodelalneacaerndebajodeella.Estoescausadopor
una distribucin de los datos con colas ms largas que las que se esperan ser
consideradas bajo distribucin terica (Ej., normal). Los datos con colas ms
largaspuedencausarproblemasconalgunosprocedimientosestadsticos.
Laasimetra
Sila probabilidad tiene una curva convexa o cncava(ms que unalnearecta),

los datos se sesgan a un lado o al otro de la mitad. Esto puede ser corregido
generalmenteusandounafrmuladeajustecomotransformacindepoder.
47
Lasmesetasylosvalles
Los puntos quearraciman losdatos semuestran en el diagrama de probabilidad

comovallesymesetas(desplazamientoshorizontalesdepuntos).Estopuedeser
causadoporlagranulidaddelosdatos.Porejemplo,silavariablepuedeadquirir
solamentecincovalores,eldiagramaexhibirsuspatrones.Cuandoocurrenestos
patrones, debe estar seguro que sabe la razn de ellos. Es debido a la
naturaleza discreta de los datos, o los racimos son causados por una segunda
variableextraa?
Precauciones
Elestudiodediagramasdelaprobabilidadesunaherramientamuytilenanlisis
dedatos,teniendoalgunasprecaucionesdebidoaque:
1.Estosdiagramasacentanlosproblemasquepuedenaparecerenlascolasde
ladistribucin,noenelcentro(puestoqueahhaymuchospuntosagrupados).
2.Lavariacinnaturalenlosdatoscausarunaciertasalidadelarectitud.
3. Puesto que el diagrama considera solamente una variable a la vez, no se

atiendealgunarelacinquepuedaexistirconotrasvariables.
4.Loslmitesdeconfianzaexhibidoseneldiagramasonsolamenteaproximados.
Tambin, dependen mucho de un tamao de muestra razonable. Para las
muestras inferiores de 20 casos, estos lmites se deben tomar con mucha
precaucin. Tambin puede cambiar mucho los lmites cambiando el nivel de
confianza(elvalordealfa).Asegresedequeelvalorqueustedestutilizandoes
razonable.
Losdetallestcnicos
48
Vamosaasumirquetenemosunsistemadelosnmerosx1,x2...,xn ydeseamos
estudiar visualmente si la asuncin de la normalidad es razonable. El mtodo
bsicoes:
1. Clasifique los xis del ms pequeo al ms grande. Represente el sistema

clasificadodenmeroscomox(1),x(2)...,x(n).Porlotanto,x(1)eselmnimoyel
x(n)eselmximodeestosdatos.
2. Defina los quantiles empricos de n, p1, p2..., pn, donde pi = i/n. stos son
similares a los porcentajes. Por ejemplo, sin = 5 los pis seran 2, 4, 6, 8, 10. El
valorp2del4seinterpretacomosignificadoquesteesel40porcentaje.
3. Encuentre un sistema de los nmeros, z1, z2..., el zn, que esperara de los
datos que siguen exactamente la distribucin normal. Por ejemplo, z2 es el
nmero que contbamos con si obtuviramos 5 valores de una distribucin
normal,clasificndoles,yseleccionadoelsegundomsbajo.stossellamanlos
quantiles.
4. Construya un diagrama de dispersin con los pares x(1) y z1, x(2) y z2,
etctera. Si los xis vinieran de una distribucin normal, anticiparamos que los
puntostrazadoscaernalolargodeunalnearecta.Elgradodenonormalidades
sugeridoporlacantidaddelacurvaturaeneldiagrama.
Hayvariosrefinamientosalprocedimientodearriba.Elmscomnesladefinicin
de los pis en el paso 2. La frmula usada generalmente es pi = (ia)/(n2a+1),
dondeaesunnmeroentre0y1.Muchosestadsticosrecomiendana=1/3.ste
eselvalorpordefectousadoporprogramascomoNCSS(elvalordeasefijaenla
opcindelaconstantedelporcentaje).Otramodificacinestenelescalamiento
usado paralos zis. Si se utilizanlos zis del paso 3, la definicin terminante es el
diagrama del quantil. Si los zs se convierten a una escala de probabilidad, el
diagrama se conoce como diagrama de probabilidad. Hoy en da estas
definicionessehandebilitadoyutilizamoseltrminodediagramadeprobabilidad
para representar cualquiera de estos diagramas. Los diagramas de probabilidad
49
se pueden construir para cualquier distribucin, aunque el de normalidad es el

mscomn.
Loscuatropasosantedichosseutilizanparacualquieradelassietefuncionesde
distribucin que estn disponibles en NCSS. Las tablas de compartimientos, de
Cleveland, de Kleiner, y de Tukey (1983) que se muestran debajo dan la
informacin tcnica sobre estas distribuciones. Una de las caractersticas ms
tilesdeestastablaseslacolumnaordenadaymarcadaenlasegundatabla.Esta
columnadefinelatransformacindelosdatosquesedebenutilizarparaalcanzar
undiagramaestndardeprobabilidadparaesadistribucin.
Porejemplo,sideseabagenerarundiagramagammadeprobabilidad,debetomar
los datos de una mitad de poder. Observe que no hay transformacin especial
necesaria para el diagrama normal de probabilidad. Estos lmites de confianza
sirven en tanto que la referencia limita cuando est estudiando un diagrama de
probabilidad. Cuando la cada de los puntos est fuera de estos lmites, los
considerara como evidencia que la asuncin de la normalidad (o cualquier
distribucinqueestconsiderando)esinvlida.
Laestructuradedatos
El diagrama de probabilidad se construye de una sola variable. Una segunda

variablesepuedeutilizarparadividirlaprimeravariableengrupos(ej.,categora
de edad o gnero). No se solicita otro requisito en los datos de entrada, sin
embargo, las distribuciones disponibles en NCSS asumen que los datos son
continuos.Lasfilasquefaltansonignoradasconvaloresenunadelasvariables
seleccionadas.
VII. DIAGRAMADEDISPERSIN
Introduccin
50
Eldiagramaxydedispersinesunadelasherramientasdemayoralcancepara
analizardatos.NCSSincluyeunmendecaractersticaspararealzareldiagrama
bsicodedispersin.Algunasdeestascaractersticassonlneasdelatendencia
(mnimos cuadrados) y lmites de confianza, polinomios, lneas, curvas lowess,
diagramasdecajainsertados,ydiagramasdegirasol.
Loquesigueesunejemplodeundiagramatpicodeladispersinconunalnea
detendenciaycondiagramasdecajaincorporados.
Estructuradedatos
Eldiagramadedispersinseconstruyeapartirdedosvariables.Sepuedeutilizar
una tercera variable para dividir las primeras dos variables en grupos (Ej.,
categoradeedadognero).Nosehacenotrosrequerimientosparalosdatosde
entrada.
Height(inches)vsWeight(lbs)
250.0
Weight(lbs)
183.3
116.7
50.0
50.0 60.0 70.0 80.0
Height(inches)
Silavariablegneroseincluyeparasepararlosdatos:
51
Height(inches)vsWeight(lbs)
250.0
Gender
1
2
Weight(lbs) 183.3
116.7
50.0
50.0 60.0 70.0 80.0
Height(inches)
Considerequelasfilasconvaloresperdidosenunadelasvariablesseleccionadas
sernignoradasenambas.
VIII. MATRIZDEDIAGRAMASDEDISPERSIN
Introduccin
La matriz de diagramas de dispersin es una tabla de dispersin mltiple. Cada

diagrama es pequeo para poder introducir muchos diagramas en una pgina.
Cuandoustednecesitadarunamiradadediagramas,porejemploalprincipiode
un anlisis de regresin mltiple, la matriz del diagrama de dispersin es una
herramientamuytil.Loquesigueesunejemplodeunamatrizdeldiagramade
dispersincreadadurantelafaseinicialdeunestudiodelaregresinmltiple.
Enelsiguienteejemplohaycincovariablesdelapruebaqueformanunjuegode
variablesindependientes,contrastadascontraellasmismasconsiderandocadala
variable como dependiente para organizarlas. Observe cmo puede explorar
rpidamentelosdiagramasparavariablesaltamentecorrelacionadas,youtliers.
52
Ex_Esc_ Raz_Ded_ Raz_Ind_ Pens_Cr_t_ Poten_
Ex_Esc_
Raz_Ded_
Raz_Ind_
Pens_Cr_t_
Poten_
Estructuradelosdatos
Cadadiagramadedispersinseconstruyeapartirdedosvariablesnumricas.Se
puede utilizar una tercera variable, alfanumrica para controlar el smbolo del
diagrama.
IX. DIAGRAMASDESUPERFICIE3D
Introduccin
53
Losdiagramasdesuperficie3D
sondiagramasdedatos
tridimensionales.Msque
mostrarlospuntosdereferencias
individuales,losdiagramas
superficialesmuestranuna
relacinfuncionalentreuna
variabledependientesealada
(Y),ydosvariables
independientes(X1yX2).
El diagrama de puntos es un diagrama que acompaa al diagrama de contorno.

Esimportanteentendercmoseconstruyenestosdiagramas.
SeconstruyeunarejilladedosdimensionesdeX1ydeX2.Elrangodeestarejilla
esigualalrangodelosdatos.Despus,unvalordeYsecalculaparacadapunto
delarejilla. Este valor de Y esun promedio cargado de todoslos valoresdelos
datosqueseacerquenaestepuntodelarejilla.(Elnmerodepuntosgenerados
es un promedio especificado por el usuario). Se construye la superficie
tridimensional usando un promedio de estos valores. Por lo tanto, el diagrama
superficial nomuestra la variacinen cadapunto de rejilla. Estos diagramas son
tiles en el anlisis de regresin, para ver la relacin entre una variable
dependienteydosvariablesindependientes.
Pudiramos pensar que una de las variables, X2, es en realidad Z, o sea la

perspectiva que da fondo de tercera dimensin a la grfica, pero considere que
stapuedeserX1oX2dependiendodelaperspectivadelarotacin.
54
Grficodesuperficie3D
10.0
ExEsc
10.0
2.0
0.0
10.0 0.0
RazDedRazInd
Recuerde que la regresin mltiple asume que esta superficie es una superficie
perfectamente plana. Por lo tanto, el diagrama superficial le permite precisar
visualmentesilaregresinmltipleesapropiada.
Losdiagramasdesuperficiesonmuytilesenlaexploracindelosdatos,sobre
todo haciendo rotar el diagrama con las opciones del programa tanto en NCSS
como en Statistica. Despus de rotar la figura en tres dimensiones el poder
explicativo del investigador se incrementa, pero desafortunadamente muchas
veces no es posible expresar la explicacin en una sola perspectiva de la figura
dentro del informe de investigacin, por lo cual se requiere seleccionar la mejor
vista.
LaEstructuradelosdatos
El diagrama de superficie se construye a partir de tres variables. Las variables

(independientes) X1 y X2 se muestran enlos ejes horizontales. La variable de Y
se muestra a lo largo del eje vertical. Observe que las tres variables son
numricas.
EstilosdelDiagramadesuperficie
55
ScatterPlot
10.0
ExEsc
10.0
2.0
0.0 10.00.0
RazDedRazInd
LasiguientegrficaestelaboradaconStatistica,queademspermitelarotacin
dinmica.
3DSurfacePlot(BDInvestigacindevaloresfinal83v*980c)
AUTOCONT=DistanceWeightedLeastSquares
12
10
8
6
Abajo se muestran ms ejemplos de variantes en los diagramas, que son tiles

paraanalizarlosdatos,manipulandoeldiseoylarotacin.
56
X. DIAGRAMASDEVIOLN
Introduccin
ElDiagramadeVioln,comoeldiagramadecajas,estilparaexhibirlamediayla
distribucinde un sistema de datos. Variosdiagramas de caja se pueden exhibir
enanchurasdistintasparapermitirqueustedcompareelpromedioylaextensin
devariosgrupos.
57
La densidad del trazo en el histograma es til para exhibir la distribucin de los

datos. Desafortunadamente, es difcil comparar varios rastros de densidad
mostrando anchuras. An as, se considera una tarea comn comparar las
distribuciones de varias agrupaciones de datos. Se ha inventado un nuevo
diagramaquellamamoseldiagramadelvioln.Estediagramaesunhbridodela
densidaddeltrazoydeldiagramadecajasquepermitequeustedcomparevarias
distribucionesrpidamente.
Enundiagramadecajaslosdatossemostrarandelasiguientemanera:
BoxPlot
70.0
48.3
Amount
26.7
5.0
PetalLength
Variables
Entantoqueenunhistogramaconaltadensidaddetrazosepresentaranas:
Histogram
80.0
53.3
Count
26.7
0.0
0.0 23.3 46.7 70.0
PetalLength
58
Lacombinacinenlosdiagramasdevioln
Eldiagramadelviolnsehacecombinandounaformadecajaparatrazarcondos
anchurasenproporcinaladensidadvertical.Unadensidaddeltrazoseextiende
alaizquierdamientrasquelaotraseextiendealaderecha.Nohaydiferenciaen
estosrastrosdedensidadconexcepcindeladireccinalacualsonextendidos.
Ponemosdosrastrosdeladensidadeneldiagramaparaagregarlasimetra,que
hacemucho msfcilcompararlasagrupaciones.Eldiagramadelviolndestaca
lospicosylosvallesdeunadistribucindevariables.Cambiamoseldiagramade
cajaslevementedemostrandoelpuntomediocomocrculo,hicimosestodemodo
que las comparaciones de los puntos medios pudieran ser hechas rpidamente.
Llamamos a esto un diagrama del violn porque uno de los primeros juegos de
datosquetrabajamostenaelaspectodeunvioln.Ustedloencontraras:
ViolinPlot
70.0
Densidaddetrazo
Quartilsuperior
46.7
Amount
Mediana
23.3
Quartilinferior
0.0
PetalLength
Variables
Si usted compara este diagrama con la densidad del trazo y de la caja con los
mismos datos, notar que aunque el diagrama de cajas es til en muchas
situaciones, no representan los datos que se arraciman (multimodales). Por otra
parte, aunque la densidad del trazo demuestra la distribucin de los datos, es
59
difcil ver la media y su dispersin. La respuesta obvia a estos defectos es

combinarlosdosdiagramas.
Diagramadeviolnal10%deltrazodelosdatos:
ViolinPlot
70.0
46.7
Amount
23.3
0.0
SepalLength SepalWidth PetalLength PetalWidth
Variables
Diagramadeviolnal30%deltrazodelosdatos:
ViolinPlot
70.0
46.7
Amount
23.3
0.0
SepalLength SepalWidth PetalLength PetalWidth
Variables
Elejemplosiguientedemuestralosdiagramasdeviolndelascuatrovariablesen
datos del diagrama de Fisher. Observe cmo pueden comparar fcilmente los
puntos medios, las longitudes de la caja (la extensin), y los patrones de
60
distribucin de los datos. En este ejemplo, note que las dos variables de petal
(ptalo) demuestran dos picos (bimodal) mientras que las dos variables sepal
(spalo)sonunimodales(unpico).Hayvariasopcionesqueledejarnajustareste
diagramaasusnecesidades.
Estructuradedatos
Eldiagramadelviolnseconstruyedeunaomsvariables.Unasegundavariable
sepuedeutilizarparadividirlaprimeravariableengrupos(Ej.,categoradeedad
ognero).Enestecaso,undiagramadelviolnseexhibeparacadagrupo.Nose
solicitanotrosrequerimientosenlosdatosdeentrada.
XI. CARTASDEPARETO
Introduccin
La descripcin de la de las Grficas de Pareto un economista italiano (Vilfredo

Pareto 18481923), notaron una gran desigualdad en la distribucin del ingreso.
Algunaspocaspersonasposeanlamayoradelingreso.J.M.Juranencontrque
estemismofenmenodelvitaldepocosyeltrivialmuchosaplicadoamuchas
reasdelprocesoestadsticoeconmico.Leacreditanalacuarlostrminosde
lagrficadeParetoyanlisisdeParetopararepresentarestefenmeno.
EnelcontroldecalidadelanlisisdeParetorefierelatendenciaalacumulamiento
delosproblemasdecalidadenunaspocasfuentesposiblesdeltotal.Porlotanto,
aislandoycorrigiendolasreasproblemticasprincipales,ustedobtieneelmayor
aumentodecalidad.
La grfica de Pareto es una representacin grfica que acenta el principio de

Pareto usando un grfico de barra en el cual las barras se arreglen en una
magnitud que disminuye. Los programas estadsticos proporcionan diversos
estilosdelagrficadePareto,ascomouninformenumrico.
61
MuestraeldiagramadeunagrficadePareto
La grfica de Pareto siguiente representa el nmero de tableropies de madera

defectuosos (en centenas) a partir de diez diversos aserraderos. Note que tres
aserraderos explican el casi 80% del producto defectuoso. Obviamente, los
esfuerzossedebenconcentrarencorregirdefectosenestostresaserraderos.
ParetoChartofFEET
60.00
45.00
FEET
30.00
15.00
0.00
C I G D E A J F B H
Label
Estructuradedatos
Latabla37.1muestralosdatosparalagrficaantedichadePareto.Daelnmero
de tableropies defectuosos (en 100s) a partir de diez diversos aserraderos
(etiquetadosAJ).
QATEST,basedeDatosPareto
aserraderos Piesdefectuosos
A 6
B 2
C 57
D 13
E 7
F 3
G 36
H 1
I 42
J 4
62
XII. AGRUPAMIENTOSJERRQUICOS
Introduccin
Brevedescripcin
Losalgoritmosdeagrupamientosjerrquicosconstruyenunajerarquaderacimos
que se exhiben comnmente como un diagrama de rbolllamado Dendrograma.
Comienzanconcadaobjeto(casosovariables)enunracimoseparado.Encada
paso, los dos racimos que son ms similares se ensamblan en un solo racimo
nuevo. Una vez que estn fundidos los objetos nunca se separan. Los ocho
mtodos que estn disponibles representan ocho mtodos para definir la
semejanzaentrelosracimos.
Supongaquedeseamosagruparenracimoslosdatosbivariadosmostradosenel
siguientediagramadedispersin.Enestecaso,elagrupamientosepuedepercibir
visualmente.Losdatostienentresracimosydoscasosaislados,6y13.
RedvsBlue
16.0
Variables
6
10.7
2 8 10
Blue
1 3 5 7 12
4 9 11
13
5.3
141516
171819
202122
0.0
0.0 6.7 13.3 20.0
Red
Lo que sigue es correr un dendrograma de los resultados de estos datos con el

algoritmo que arracima el promedio del grupo. El eje horizontal deldendrograma
(rama) representa la distancia o la disimilitud entre los racimos. El eje vertical
63
representalosobjetosylosracimosquecomprendecadarama. Eldendrograma
esbastantesimpledeleer.
Dendrogram
Row
12
11
9
10
8
7
22
21
20
19
16
18
17
15
14
6
13
5
4
2
3
1
2.00 1.50 1.00 0.50 0.00

Dissimilarity
Recuerde que nuestro inters principal consiste en semejanza y agrupamiento.

Cadaensamble(fusin)dedosracimosesrepresentadoenelgrficoalpartiruna
lneahorizontalenotrasdoslneashorizontales(ramas).Laposicinhorizontalde
la fractura, mostrada por la barra vertical corta, da la distancia (desemejanza)
entrelosdosracimos.
Con este dendrograma puede ver los tres racimos como tres ramas que ocupan
una distancia horizontal casi igual. Los dos outliers, 6 y 13, estn fundidos algo
arbitrariamenteadentroendistanciasmuchomsaltas.staeslalectura.Eneste
ejemplo podemos comparar nuestra lectura con un diagrama real de los datos.
Desafortunadamente, esto generalmente no ser posible si nuestros datos
consistenenmsdedosvariables.
XIII. LASGRFICASDEBARRASDEERROR
64
Introduccin
Propsitosgeneralesydescripcin
Lasgrficasdebarradelerrorexhibenlaslneasdemediasyloserroresestndar
(olasdesviacionesestndar).Lossiguientessonejemplosdelostiposdegrficas
producidasporesteprocedimiento.
ErrorBarPlot
300000.0
State
Nev
Vir
250000.0
Price
200000.0
150000.0
100000.0
1 2 3 4
Bedrooms
ErrorBarPlot
300000.0
State
Nev
Vir
250000.0
Price
200000.0
150000.0
100000.0
1 2 3 4
Bedrooms
Losvaloresperdidos
65
Los valores perdidos se quitan sobre la base de casoporcaso (casewise). Es

decir,unvalorquefaltaenunavariableignoraloscasosdeotrasvariablesenla
mismafila.
Estructuradedatos
Cada fila de datos debe contener por lo menos una variable numrica de
respuesta.Tambinpuedensersealadashastadosvariablescategricasyhasta
cinco variables clasificatorias. Se produce una grfica separada para cada valor
nicodelasvariablesclasificatorias.
Lo que sigue es un ejemplo numrico de las grficas anteriores con variables

categricas y dos de una sola respuesta. Los datos de abajo dan el estado, el
precio de venta, y el nmero de los dormitorios para 150 caractersticas
residenciales vendidas durante cuatro meses en dos estados. Solamente se
muestranlasprimeros8delas150observaciones.
Porcindelosdatosdeventadelaspropiedades
State Price Bedrooms
Nev 260000 2
Nev 66900 3
Vir 127900 2
Nev 181900 3
Nev 262100 2
Nev 967500 2
Nev 167200 2
Nev 395700 2
XIV. MATRIZREJILLADEPUNTOS
Introduccin
El diagrama de rejilla (matriz) de puntos es un tipo de diagrama del contorno

convertidoparaexhibirtresvariables.Lasprimerasdosvariablesseexhibencomo
en el diagrama de dispersin en los ejes verticales y horizontales. La tercera
variablesemuestraporelcolordelbloqueoporunsmboloqueescodificadode
abajohaciaarriba.
66
Las variantes pueden ser seleccionadas en muy distintas formas para facilitar la
lecturadelosdatos.
GridPlotofPetalLength
45.0
PetalLength
A 3.9
B 11.7
37.5 C 19.4
D 27.2
SepalWidth
E 35.0
F 42.8
30.0 G 50.6
H 58.3
I 66.1
22.5
15.0
40.0 50.0 60.0 70.0 80.0
SepalLength
Estructuradedatos
Eldiagramaderejillaseconstruyeapartirdetresvariables.LasvariablesdeXe
Y se muestran en los ejes horizontales y verticales, respectivamente. Se reparte
enelloslavariableZysusvaloressonrepresentadosporelsmbolodeldiagrama
o el color del bloque (vase los ejemplos arriba). Observe que las tres variables
debensernumricas.
Lasopciones
67
ConsultelaseccindeOpcionesdondesedescribenlasopcionesdisponiblesen
esteprocedimiento.
Variable(X,Y,Z)
Cada caja especifica la variable numrica que es utilizada para construir el

diagrama.LavariabledeXseexhibealolargodelejehorizontal,lavariabledeY
a lo largo del eje vertical, y se muestra la variable de Z usando las capas del
contorno.
Mnimoymximo(X,Y,Z)
Sonlosvaloresmnimosymximosalolargodecadaeje.Debetenerelcuidado
deutilizarlosdadoquepuedendistorsionareldiagrama.
Rebanadas(X,Y,Z)
Eselnmerodelasdivisiones(puntosderejilla)alolargodecadaeje.Elnmero
derebanadasalolargodelejedezeselnmerodelaslneasdelcontorno.Se
utilizasolamentesilacajadelosvaloresdelcontorno(z)sedejaenblanco.
DecimalesdeZ
Elnmerodedecimalesamostrarenlosnmerosdereferenciadelaleyenda.
Elestilodeldiagrama
EspecificaelmtodousadoparaexhibirelvalordelavariabledeZ.
Bloques
LosvaloresdelavariabledeZseexhibencomobloquescoloreados.
68
Smbolosconuncolor
LosvaloresdelavariabledeZsontodaslasletrasconelmismocolor.Cadaletra
representaunagamadevalores.
Enelcasodelossmbolos:
GridPlotofPetalLength
45.0
B PetalLength
B A 3.9
B
B B 11.7
C
B
37.5 C
B C I I C 19.4
BB
B
B B
B H D 27.2
C
B
B
B B
SepalWidth
BCC
B
B
BC
B FG H E 35.0
B
C G
H H
BB
C
B B G GF
G H
H
GH F 42.8
BC
B H G
H
FG G 50.6
30.0 B
B BB
C FFFG
F
G
G
F GH
F
G
H H
H IH
B E
F F
G
F
H
FF I H 58.3
G
F
G G
F
G
G
H
F G H I
F FG
FG G
G I 66.1
FE
F H I
FD FF
G G H
E E
22.5 B E F F
G
FF
E
15.0
40.0 50.0 60.0 70.0 80.0
SepalLength
Smbolosdecoloresmltiples
69
Los valores de la variable de Z se exhiben como letras que tienen diversos

colores.Cadaletrarepresentaunagamadevalores.
70
APARTADOC. TPICOSSELECTOSDE
TCNICASGRFICASANALTICAS
TcnicasRepresentativasdeVisualizacin
basadasenStatistica
XV. GRFICASCATEGORIZADAS
Uno de los mtodos analticos generales ms importantes, y tambin de gran

alcance, implica el dividir ("partir") los patrones de datos en categoras de
subjuegos con la finalidad comparar los subconjuntos que resultan. Esta tcnica
comn se conoce bajo una gran variedad de trminos (tales como subdivisin,
agrupamiento, categorizacin, partir, rebanar, perforar, o condicionar) y se utiliza
en anlisis exploratorios de datos y las pruebas de hiptesis. Por ejemplo: Una
relacin positiva entre la edad y el riesgo de un ataque del corazn puede ser
diferente en los varones y las hembras (puede ser ms fuerte en varones). Una
relacin prometedora entre tomar una droga y una disminucin del nivel del
colesterolpuedeestarpresenteenmujeresconunapresinarterialbajayen30a
40 aos. Los ndices de capacidad del proceso, o histogramas de capacidad,
pueden ser diferentes por los perodos del tiempo supervisados por diferentes
operadores. Las pendientes de la regresin pueden ser diferentes en diferentes
gruposexperimentales.
Hay muchas tcnicas de cmputo que se centran en agrupar y que se disean

para cuantificar las diferencias que revelar el agrupamiento (Ej.,
ANOVA/MANOVA). Sin embargo, las tcnicas grficas (tales como los grficos
categorizados discutidos en esta seccin) ofrecen ventajas nicas que no se
puedensustituirporningnmtododecmputoporsimismo,ypuedenrevelarlos
71
patrones que no pueden ser cuantificados fcilmente (Ej., las interacciones, las
excepciones,lasanomalascomplejas),yproporcionanlasperspectivasanalticas
multidimensionales,globalesnicas,paraexploraro"explotar"losdatos.
QusonlosGrficosCategorizados?
Se llaman grficos categorizados (el trmino fue usado primero en software de

STATISTICA por StatSoft en 1990 tambin recientemente llamados Grficos de
Trellis,porBecker,Cleveland,yClark,enloslaboratoriosdeBell)alaseriede2D,
3D,grficosternarios,odelnD(talescomoloshistogramas,diagramasdepuntos,
diagramas de lneas, diagrama de superficie, los diagramas de puntos ternarios,
etc.),seleccionadosporunavariableespecfica(esdecir,grupoosubconjuntode
casos),paraseguirelejemplogrficodeabajo,deencuestadosporlavariablede
NuevaYork,deChicago,deDallas,deletc.Estosgrficos"compuestos"seponen
secuencialmente en una presentacin, permitiendo comparaciones entre los
patrones de los datos mostrados en los grficos, para cada uno de los grupos
solicitados(Ej.,Ciudades).
Se puede utilizar una gran variedad de mtodos para seleccionar los

subconjuntoselmssimpledeellosesutilizandounavariablecategrica(Ej.,una
variableCiudad,contresvaloresNuevaYork,Chicago,yDallas).Porejemplo,el
siguiente grfico muestra los histogramas de una variable representando los
nivelesdestressencadaunadelastresCiudades.
Uno podra concluir que los datos

sugieren que la gente que vive en
Dallasesmenosprobablequereporte
estar tensionada, mientras que los
patrones (distribuciones) de la tensin
quereportanenNuevaYorkyChicago
sonabsolutamentesimilaresentres.
72
Losgrficoscategorizadosenalgunossistemasdesoftware(Ej.,enSTATISTICA)
tambin apoyan las clasificaciones de dos vas o de multiva, donde no hay un
criterionico(Ej.,Ciudad)sinodosomscriterios(Ej.,Ciudadypocadelda)se
utilizan para crear los subconjuntos. Los grficos categorizados de dos vas se
pueden pensar como " grficos de tabulaciones cruzadas" donde cada
componente grfico representa una seccin representativa de un nivel de una
variableagrupadora(Ej.,Ciudad)ydeunniveldelaotravariableagrupadora(Ej.,
tiempo).
La adicin de este segundo factor

revela que los patrones de la tensin
quereportanenNuevaYorkyChicago
son realmente diferentes cuando se
toma en consideracinla hora en que
se hizo la pregunta, mientras que el
factor Tiempo diferencia poco en
Dallas.
Grficos categorizados contra grficos de matriz. Los grficos de matriz

tambin producen las exhibiciones que contienen grficos de componentes
mltiples sin embargo, cada uno de esos grficos de componentes se basa (o
puedebasarse)enelmismojuegodecasos,ylosgrficossegeneranparatodas
las combinaciones de variables a partir de una o dos listas. Los grficos
categorizadosrequierenunaseleccindelasvariablesquenormalmentedeberan
ser seleccionadas paralos grficos nocategorizados del tiporespectivo (Ej., dos
variables para un diagrama de puntos). Sin embargo, en los diagramas
categorizados tambin necesita especificar al menos una variable agrupadora (o
algunos criterios que se utilizarn para clasificar las observaciones en las
categoras) que contenga la informacin sobre calidad de miembro del grupo en
cada caso (Ej., Chicago, Dallas). Esa variable agrupadora no ser incluida en el
grfico directamente (es decir, no ser trazada) pero servir como criterio para
73
dividirtodosloscasosanalizadosengrficosseparados.Segnloilustradoarriba,
un grfico ser creado para cada grupo (categora) identificado por la variable
agrupadora.
Escalamiento comn contra Escalamiento independiente. Cada grfico

individual de la categora se
puede escalar segn su propia
gama de los valores
(escalamiento independiente), o
comoabajo,todoslosgrficosse
pueden escalar a una escala
comn de par en par
suficientemente amplia para
acomodar todos los valores en
todaslascategorasdegrficos.
El escalamiento comn permite

que el analista haga
comparaciones de rangos y
distribuciones de valores entre
categoras. Sin embargo, si los
rangos de valores en las
categoras del grfico son
considerablemente diferentes
(causando una escala comn
muyancha),entoncesalgunosde
los grficos pueden ser difciles de examinar. El uso del escalamiento
independiente puede hacer ms fcil marcar tendencias y patrones especficos
dentrode categoras, pero puede ser ms difcil hacer comparaciones de rangos
devaloresentrecategoras.
MtodosdeCategorizacin
74
Hay cinco mtodos generales de clasificacin de valores y sern repasados

brevemente en esta seccin: Modo de nmero entero, de categoras, de lmites,
de cdigos, y de subconjuntos mltiples. Observe que los mismos mtodos de
clasificacinsepuedenutilizarparacategorizarcasosengrficoscomponentesy
para categorizar casos dentro de grficos componentes (Ej., en histogramas o
diagramasdelacaja).
Modo de Nmero Entero. Cuando

ustedutilizaelmododenmeroentero,
los valores del nmero entero de la
variable agrupadora seleccionada
sern utilizados para definir las
categoras, y ser creado un grfico
paratodosloscasosquepertenezcana
cada categora (definida por esos
valores del nmero entero). Si la variable agrupadora seleccionada contiene
valores de nonmero entero, el software truncar generalmente cada valor
encontradodelavariableagrupadoraseleccionadaaunvalordenmeroentero.
Categoras. Con este modo de

clasificacin,ustedespecificaelnmero
de las categoras que desea utilizar. El
software dividir el rango entero de
valores de la variable agrupadora
seleccionada (de mnimo a mximo) en
el nmero solicitado de intervalos de
iguallongitud.
Lmites. El mtodo deloslmites tambin crearla clasificacin deintervalo, sin

embargo,losintervalospuedenestar(Ej.)deanchuradesigualarbitrariasegnlo
definido por los lmites solicitados del intervalo (por ejemplo, "menos que 10, "
75
"mayorqueoiguala10peromenosde0,""mayorqueoiguala0peromenosde
10,"y"igualomayorquea10").
Cdigos. Utilice este mtodo si la variable agrupadora seleccionada contiene

"cdigos" (es decir, valores significativos especficos, tales como varn, hembra)
deloscualesdeseaespecificarlascategoras.
Subconjuntos mltiples. Este mtodo

permite que usted personalice las
categoras, y le permite utilizar ms de
unavariableparadefinirlacategora.Es
decir las clasificaciones basadas en
definicionesmltiplesdelsubconjuntode
categoras pueden no representar
76
distribuciones de variables (individuales) y distribuciones de frecuencias

especficasde"eventos"especficos,definidosporcombinacionesparticularesde
valores de varias variables (y definidos por las condiciones que pueden implicar
cualquier nmero de variables de subjuegos). Por ejemplo, usted puede
especificar seis categoras basadas en combinaciones del gnero, de la edad, y
delempleodetresvariables.
Histogramas
Engeneral,loshistogramasseutilizanparaexaminardistribucionesdefrecuencia
de valores de las variables. Por ejemplo, las demostraciones del diagrama de la
distribucindefrecuenciaenquelosvalores,olosrangosespecficosdevalores
de la variable examinada son los ms frecuentes, qu tan diferentes son los
valores, si la mayora de las observaciones estn concentradas alrededor de la
media,siladistribucinessimtricaosesgada,siesmultimodal(esdecir,sitiene
dosomspicos)ounimodal,etc.Loshistogramassontambintilesparaevaluar
la semejanza de una distribucin observada con distribuciones tericas o
previstas.
Los histogramas categorizados permiten ser analizados por una o ms variables

categricas, o por cualquiera de uno o ms sistemas de reglas de clasificacin
lgica (vase los mtodos de la clasificacin). Hay dos razones importantes por
lasquesondeinterslasdistribucionesdefrecuencia.
Unopuedeaprendersobrelanaturalezadelavariableexaminadaapartirde
la forma de distribucin (Ej., una distribucin bimodal puede sugerir que la
muestra no sea homognea, y no consista de las observaciones que
pertenecen a dos poblaciones que se distribuyen ms o menos
normalmente).
Muchadelaestadsticasebasaenasuncionessobrelasdistribucionesdelas
variables analizadas y los histogramas lo ayudan a uno a probar si esas
77
asunciones estn resueltas. A menudo, el primer paso en el anlisis de un

nuevosubjuegoesanalizartodaslasvariablesconhistogramas.
Histogramas contra rompimientos analticos. Los histogramas categorizados

proporcionanlainformacinsimilaralosrompimientosanalticos(Ej.,medio,punto
medio, mnimo, mximo, diferenciacin de valores, etc. vea el captulo de
Estadstica Bsica y Tablas). Aunque la estadstica descriptiva (numrica)
especficaesmsfcildeleerdentrounatabla,laformatotalylascaractersticas
descriptivas globales de una distribucin son mucho ms fciles de examinar en
ungrfico.Porotraparte,elgrficoproporcionalainformacincualitativasobrela
distribucin que no se puede representar completamente por un solo ndice. Por
ejemplo,ladistribucinsesgadatotaldelingresopuedeindicarquelamayorade
gentetieneuningresoqueseamuchomscercanoalmnimoquealmximodel
rango del ingreso. Por otra parte, cuando es analizado por gnero y el fondo
tnico, esta caracterstica dela distribucinde ingresos se puede encontrar ms
pronunciadaenciertossubgrupos.
Aunque esta informacin ser contenida en el ndice de oblicuidad (para cada

subgrupo), cuando est presentado en la forma grfica de un histograma, la
informacin generalmente se reconoce y se recuerda ms fcilmente. El
histograma puede tambin revelar el "impacto" y ello puede representar hechos
importantes sobre la estratificacin social especfica de la poblacin, o de las
anomalas investigadas en la distribucin del ingreso en un grupo particular,
causadasporunareformafiscalreciente.
Histogramasydiagramasdepuntoscategorizados.Unusotildelosmtodos
de la clasificacin para las variables continuas es representar las relaciones
simultneasentretresvariables.Semuestraabajoundiagramadepuntosparala
carga1dedosvariablesylacarga2.
78
Ahorasupongaqueustedquisieraagregarunaterceravariable(salida)yexaminar
cmoestasedistribuyeendiferentesnivelesdeladistribucincomndelacarga
1ydelacarga2.Elgrficosiguienteserproducido:
Enestegrfico,lacarga1ylacarga2estnambascategorizadasen5intervalos,
y se computa dentro de cada combinacin de intervalos la distribucin para la
variable de salida. Observe que el "cuadro" (paralelogramo) incluye
79
aproximadamente las mismas observaciones (casos) de ambos grficos

mostradosarriba.
Diagramasdepuntos
En general, se utilizan dos diagramas de puntos bidimensionales para visualizar

las relaciones entre dos variables X e Y (Ej., peso y altura). En diagramas de
puntos los puntos de referencias individuales son representados por los puntos
marcados en el espacio bidimensional, donde los ejes representan las variables.
Las dos coordenadas (X e Y) que determinan la localizacin de cada punto
correspondenasusvaloresespecficosenlasdosvariables.Silasdosvariables
estn fuertemente relacionadas, entonces los puntos de referencias toman una
formasistemtica(Ej.,unalnearectaounacurvaclara).Silasvariablesnoestn
relacionadas,entonceslospuntosformanuna"nube"redondeada.
La opcin categorizada del diagrama de puntos permite que usted produzca los
diagramas de puntos categorizados por una o ms variables. Va el mtodo de
mltiplessubjuegos(vaselosmtodosdelaclasificacin),ustedpuedetambin
categorizar el diagrama de puntos basado en las condiciones lgicas de la
seleccinquedefinencadacategoraogrupodeobservaciones.
Los diagramas de puntos categorizados ofrecen una tcnica exploratoria y

analtica de gran alcance para investigar relaciones entre dos o ms variables
dentrodediferentessubgrupos.
Homogeneidad de las distribuciones bivariantes (formas de relaciones). El

diagrama de puntos se utiliza tpicamente para identificar la naturaleza de
relacionesentredosvariables(Ej.,lapresinarterialycolesterol),porquepueden
proporcionarmuchomsinformacinqueuncoeficientedecorrelacin.
Por ejemplo, una carencia de la homogeneidad en la muestra de la cual era

calculada una correlacin, puede predisponer el valor de la correlacin. Imagine
un caso donde un coeficiente de correlacin se calcula de los puntos de
80
referenciasquevienenapartirdedos
diferentes grupos experimentales,
pero este hecho fue ignorado cuando
la correlacin era calculada. Suponga
que la manipulacin experimental en
unodelosgruposaumentlosvalores
deambasvariablescorrelacionadas,y
los datos de cada grupo forman as
una "nube" distintiva en el diagrama de puntos (segn lo mostrado en la
ilustracin).
En este ejemplo, la alta correlacin es enteramente debida al arreglo de los dos

grupos, y no representa la "verdadera" relacin entre las dos variables, que es
prcticamenteiguala0(comosepodraconsiderarconunamiradaacadagrupo
porseparado).
Si usted sospecha que tal patrn puede existir en sus datos y usted sabe cmo
identificar el "subjuego" posible de datos, entonces producir un diagrama de
puntos categorizado como el anterior puede dar un cuadro ms exacto de la
fuerzadelarelacinentrelavariabledeXydeY,dentrodecadagrupo(esdecir,
despusdecontrolarcadamiembrodelgrupo).
81
RelacionesCurvilneas.Lacurvilinearidadesotroaspectodelasrelacionesentre
las variables que se pueden examinar en diagramas de puntos. No hay pruebas
fciles o automticas a utilizar para medir relaciones curvilneas entre las
variables: El coeficiente estndar de Pearson r mide por si mismo relaciones
lineares,peroalgunascorrelacionesnoparamtricastalescomolardeSpearman
pueden medir relaciones curvilneas, pero no las relaciones nomontonas. El
examinar diagramas de puntos permite que uno identifique la forma de las
relaciones, para poder elegir ms adelante una transformacin apropiada de los
datos al "enderezar" los datos o elegir una ecuacin no lineal apropiada de la
estimacinaqueseajustar.
Paramsinformacin,vealoscaptulosenestadsticabsica,noparamtrica,las
distribuciones,laregresinmltiple,ylavaloracinnolinealenStatistica.
GrficosdeProbabilidad
Hay tres tipos de diagramas categorizados de probabilidad, Normales, Mitad

Normales,yTendenciales.Losdiagramasnormalesdeprobabilidadproporcionan
una manera rpida de examinar visualmente en qu medida el patrn de datos
sigueunadistribucinnormal.
Uno puede examinar, va diagramas categorizados de probabilidad, cmo la

distribucin de una variable sigue de cerca la distribucin normal en diferentes
subgrupos.
82
Los diagramas normales categorizados de probabilidad proporcionan una

herramienta eficiente para examinar el aspecto de la normalidad en la
homogeneidaddelgrupo.
DiagramasQuantilQuantil
El diagrama categorizado de QuantilQuantil (o QQ) es til para encontrar la

distribucinmsapropiadadentrodeunafamiliadedistribuciones.
83
ConlosdiagramascategorizadosdeQQ,seproduceunaseriedediagramasdel
QuantilQuantil (o QQ) para cada categora de los casos identificados por las
variables de la categora de X o de X y de Y (o identificados por los criterios
mltiples del subconjunto, vea los mtodos de la clasificacin). Los ejemplos de
las distribuciones que se utilizan para los diagramas de QQ son la Distribucin
Exponencial, las Distribuciones Extremas, Normal, de Rayleigh, Beta, Gammas,
deLognormal,ydeWeibull.
DiagramasProbabilidadProbabilidad
El diagrama categorizado de ProbabilidadProbabilidad (o los PP) es til para

precisarquetanbienestajustada
una distribucin terica especfica
delosdatos observados. Este tipo
de grfico incluye una serie de
diagramas de la Probabilidad
Probabilidad (o los PP), uno para
cada categora de los casos
identificadosporlasvariablesdela
categora de X o de X y de Y (o
84
identificado por los criterios mltiples del subconjunto, vea los Mtodos de
Clasificacin).
En los diagramas PP, la funcin de distribucin acumulativa observada (la

proporcin de los valores en que no falta x) se traza contra una funcin de
distribucinacumulativatericaparaprecisarelajustedeladistribucintericaa
losdatosobservados.Sitodoslospuntosenestediagramacaensobreunalnea
deladiagonal(conlaintercepcin0ylapendiente1),ustedpuedeconcluirquela
distribucin acumulativa terica se aproxima adecuadamente la distribucin
observada.
Si los puntos de referencias no caen todos en la lnea diagonal, usted puede

utilizar este diagrama para precisar visualmente donde los datos siguen y no
siguen la distribucin (Ej., si los puntos forman una forma de S a lo largo de la
lnea diagonal, los datos pueden necesitar ser transformados despus para
ajustadosalpatrndeseadodeladistribucin).
DiagramasdeLnea
Enlosdiagramasdelneaslospuntos
de referencias individuales son
conectadosporunalnea.Eldiagrama
de lneas proporciona una manera
simple de presentar visualmente una
secuencia de muchos valores (Ej.,
cotizacin en la bolsa sobre un
nmero de das). El grfico de lnea
categorizada de los diagramas es til cuando uno desea la visin de tales datos
analizados(categorizados)porunavariableagrupadora(Ej.,elcierredeacciones
cotizaellunes,martes,eletc.)oalgunosotroscriterioslgicosqueimplicanunao
ms variables (Ej., el cierre cotiza solo para los das cuando hay otras dos
85
accionesyelndicedeDowJonesvaparaarriba,contraelrestodecierresvea
losMtodosdeClasificacin).
DiagramasdeCaja
Enlosdiagramasdelacaja(trminoprimerousadoporTukey,1970),losrangos
devaloresdeunavariableseleccionada(olasvariables)setrazanporseparado
para los grupos de casos definidos con valores de hasta tres variables
(agrupadoras) categricas, o segn lo definido por las categoras de Subjuegos
Mltiples.
La tendencia central (Ej.,

medianaomedia),yladel
rango o la variacin
estadstica (Ej., cuartiles,
errores estndar, o
desviaciones estndar) se
computa para cada grupo
de casos, y los valores
seleccionados se
presentanenunodecinco
estilos (filamentos truncados dela caja, filamentos truncados, cajas, columnas, o
cierre AltoBajo). Los puntos de referencia del afloramiento pueden tambin ser
trazados(vaselasseccionesencasosatpicosyextremos).
Porejemplo,enelgrficosiguiente,loscasosatpicosextremos(enestecaso,los
puntos mayores o menos de 1.5 veces el rango interquartil) indican
particularmenteun"desafortunado"extremoenunacombinacinqueseradeotra
maneracasiperfectadefactores:
Sin embargo, en el grfico siguiente, no hay casos atpicos o valores extremos

evidentes.
86
Hay dos usos comunes paralos diagramas de caja: (a) demostrar rangos delos
valores para los tems, los casos o las muestras individuales (Ej., un diagrama
tpicodeMINMAXparalasexistenciasolosproductosolosdiagramasdedatos
agregadosconlosrangos),y(b)demostrandolavariacindeconteosengruposo
muestras individuales (Ej., la caja y el filamento truncado presentan la mediana
para cada muestra como un punto dentro de la caja, los errores estndar en la
caja, y las desviaciones estndar alrededor de la mediana como una caja ms
estrecha,ounparde"filamentostruncados").
Lacaja,almostrarlavariacindeconteospermitequeunoevalerpidamentee
"intuitivamente con imaginacin" la fuerza de la relacin entre la variable
agrupadora y la variable dependiente. Especficamente, si se asume que la
variabledependienteestdistribuidanormalmente,ysabiendoquproporcinde
observaciones baja, por ejemplo, dentro de desviaciones estndar 1 o 2 de la
media (vase los conceptos elementales), uno puede evaluar fcilmente los
resultadosdeunexperimentoydecirque,porejemplo,lasconteosenelcercade
95% de casos en el grupo experimental 1 pertenecen a una diversa gama que
conteosencercadel95%deloscasosenelgrupo2.
87
Adems, pueden ser trazadas las Medias Truncadas supuestas (este trmino
primero fue utilizado porTukey, 1962) excluyendo un porcentaje especificado de
casosdelosextremos(esdecir,lascolas)deladistribucindecasos.
GrficasdePastel
Lagrficadepastelesunodelosformatosmscomunesusadospararepresentar
proporcionesovaloresdevariables.Estepermitequeustedproduzcalasgrficas
depastelanalizadasporunaomsvariables(Ej.,agrupandovariablestalescomo
gnero) o categorizadas segn algunas condiciones lgicas de seleccin que
identifiquensubconjuntosmltiples(vaselosmtodosdelaclasificacin).
Para los propsitos de esta

discusin, las grficas de pastel
categorizadas sern interpretadas
siempre como Grficas de pastel
de frecuencias (en comparacin
con grficas de pastel de los
datos). Este tipo de grfica de
pastel (a veces llamada grfica de
pastel de frecuencias) interpreta
los datos como un histograma. Categoriza todos los valores de la variable que
siguelatcnicadelaclasificacinseleccionada,ydespusexhibelasfrecuencias
relativas como rebanadas de pastel de tamaos proporcionales. As, ofrecen un
mtodo alternativo para exhibir datos del histograma de frecuencias (vase la
seccinenhistogramascategorizados).
PastelDiagramas de puntos. Otro uso til de las grficas de pastel

categorizadas es representar la distribucin de las frecuencias relativas de una
variableencada"ubicacin"deladistribucincomndeotrasdosvariables.Aqu
estunejemplo:
88
Observe que los pasteles estn

dibujados en "ubicaciones" donde hay
datos. As, el grfico mostrado toma el
aspecto de un diagrama de puntos (de
las variables L1 y L2), con los pasteles
individualescomopuntosmarcados.Sin
embargo, adems de la informacin
contenida en un diagrama de puntos
simple, cada pastel muestra la
distribucinrelativadeunaterceravariableenlalocalizacinrespectiva(esdecir,
baja,media,yaltacalidad).
Diagramasdepuntosdedatosperdidosporrango
Este grfico produce una serie de grficos 2D (uno para cada categora de los
casos identificados por las variables agrupadoras o porlos criterios mltiples del
subconjuntovealosMtodosdeClasificacin)depuntosdereferenciaquefaltan
y/ode"fueradelrangodeespecificacindelusuario"puntosenloscualesusted
puede visualizar el patrn oladistribucin de datos que faltan (y/o puntos "fuera
delrangodeespecificacin")dentrodecadasubconjuntodeloscasos(categora).
89
Este grfico es til en anlisis exploratorio de datos para precisar la distribucin

(y/o el "fuera del rango") de datos perdidos, y si los patrones de esos datos
ocurrenaleatoriamente.
Diagramas3D
Este tipo de grfico permite

que usted produzca los
diagramas de puntos 3D
(diagramas espaciales,
diagramas espectrales,
diagramas de desviacin, y
diagramasdetrazo),trazosde
contorno, y diagramas de
superficie, para los
subconjuntos de casos
definidos por las categoras especificadas en una variable seleccionada, o las
categoras determinadas por condicionesdefinidaspor el usuario en la seleccin
de casos (vase los mtodos de clasificacin). As, los fines generales de este
diagramasonfacilitarcomparacionesentregruposolascategoras,conrespecto
alasrelacionesentretresomsvariables.
Usos. En general, los grficos de

3D en los ejes XYZ resumen las
relaciones interactivas entre tres
variables.Lasdiversasmanerasen
las cuales los datos pueden ser
categorizados (en un grfico
categorizado) permiten que uno
repase esas relaciones
contingentes con un cierto criterio
90
(Ej.,calidaddemiembrodegrupo).
Por ejemplo, del diagrama superficial categorizado mostrado al lado, uno puede
concluir que el ajuste del nivel de tolerancia en un aparato no afecta la relacin
investigada entrelas medidas (Dependiente1, Dependiente 2, y altura) a menos
queelajustesea3.
Elefectoesmssobresalientecuandoustedcambiaalarepresentacindel
diagramadelcontorno.
DiagramasTernarios
Undiagramaternariocategorizadosepuedeutilizarparaexaminarlasrelaciones
entre tres o ms dimensiones, donde tres de esas dimensiones representan
componentesdeunamezcla(esdecir,lasrelacionesentreellosseobligandetal
forma que los valores de las tres variables agreguen la misma constante para
cadacaso)paracadaniveldeunavariableagrupadora.
91
En diagramas ternarios, los sistemas coordinados triangulares se utilizan para

trazar cuatro(o ms) variables (los componentes X, Y, y Z, ylas respuestas V1,
V2,etc.)endosdimensiones(diagramasdepuntosocontornosternarios),otres
dimensiones(diagramasternariosdesuperficie).Paraproducirgrficosternarios,
seobligaalasproporcionesrelativasdecadacomponentedentrodecadacasoa
queseajustenhastaelmismovalor(Ej.,1).
En un diagrama ternario
categorizado, se produce un
grficocomponenteparacada
nivel de la variable
agrupadora(odelsubconjunto
de datos definido por el
usuario) y todos los grficos
componentes se arreglan en
unapresentacinparapermitir
comparaciones entre los
subconjuntos de los datos
(categoras).
92
Usos. Un uso tpico de este grfico es cuando la respuesta(s) medida de un

experimentodependedelasproporcionesrelativasdetrescomponentes(Ej.,tres
diferentes productos qumicos) que se varen para precisar una combinacin
ptima de esos componentes (Ej., en diseos dela mezcla). Este tipo degrfico
sepuedeutilizartambinparaotrosusos,dondelasrelacionesentrelasvariables
ajustadasnecesitansercomparadasatravsdecategorasodesubconjuntosde
datos.
XVI. TCNICA DECEPILLADO
Quizs la ms comn y primera tcnica que se utiliz histricamente de manera

msextensafuelatcnicaidentificadaexplcitamentecomoelanlisisexploratorio
de datos grficos por cepillando, un mtodo interactivo que permite que uno
seleccione, en la presentacin en pantalla, los puntos de referencia o los
subconjuntos especficos de datos, y que identifique sus caractersticas (Ej.,
comunes), o que examine sus efectos sobre relaciones entre las variables
relevantes (Ej., en matrices del diagrama de puntos), o que identifique casos
atpicos(outliers).
Esas relaciones entre las variables se pueden visualizar por las funciones
ajustadas (Ej., por las lneas 2Ds o las superficies 3D) y sus intervalos de
confianza, as, por ejemplo, uno puede examinar cambios en esas funciones
recprocamente (temporalmente) quitando o agregando subconjuntos especficos
de datos. Por ejemplo, uno de muchos usos de la tcnica de cepillado debe
seleccionar,destacando,enundiagramadematrizdepuntos,todoslospuntosde
referencia que pertenezcan a cierta categora (Ej., un nivel "medio" de ingresos,
observeelsubconjuntodelcomponentesuperiorderecho,destacadoenelgrfico
delailustracindeabajo):
93
Para examinar cmo esas

observaciones especficas
contribuyen a las relaciones
entre otras variables en el
mismo subjuego (Ej., la
correlacin entre "deuda" y
"activos" en el ejemplo
actual).
Si la facilidad de cepillado
soporta las caractersticas
como "cepillado animado"
(vaseelejemploabajo)o"funcinautomticadereajuste",unopuededefinirun
cepillodinmicoquesemoversobrelasrangosconsecutivasdeunavariabledel
criterio (Ej., "ingreso" medido en una escala continua y no una escala discreta
comoenlailustracinantedicha),yexaminarladinmicadelacontribucindela
variable de criterio y las relaciones entre otras variables relevantes en el mismo
subjuego.
XVII. ALISADODEDISTRIBUCIONESBIVARIANTES
Loshistogramastridimensionalesseutilizanparavisualizartabulacionescruzadas
devaloresendosvariables.Puedenserconsideradosparahacerunaconjuncin
94
de dos (es decir, univariada) histogramas simples, combinadas de tal forma que
pueden ser examinadas las frecuencias de coocurrencias de valores en las dos
variables.Enelformatomscomndeestegrfico,unabarra3Dsedibujapara
cada"celda"enlatabladelatabulacincruzada,ylaalturadelabarrarepresenta
lafrecuenciadelosvaloresparalaceldarespectivadelatabla.Sepuedenutilizar
diferentesmtodosdeclasificacinparacadaunadelasdosvariablesenlasque
sevisualizaladistribucinbivariante(vaseaqu).
Si el software proporciona la
facilidad para alisar, ustedpuede
ajustar superficies a las
representaciones3Ddelosdatos
bivariantes de la frecuencia. As,
cada histograma 3D se puede
transformar en una superficie
alisada. Esta tcnica es de
relativamente poca ayuda si est
aplicada a un patrn simple de
datoscategorizados(talescomoelhistogramaquefuemostradoarriba).
95
Sin embargo, si est aplicado a patrones ms complejos de frecuencias, puede

serunatcnicaexploratoriavaliosa,permitiendolaidentificacinderegularidades
que son menos evidentes, al examinar las representaciones estndares del
histograma 3D (Ej., vea la superficie sistemtica del "patrn de ondas" mostrado
enelhistogramaalisadodearriba).
XVIII. COMPRESINDECAPAS
Cuandoseutilizalacompresindecapas,elreadetrazodelgrficoprincipalse
reduce de tamao al espacio, para permitir lugar a los grficos del margen
derechosuperiorylograr
la presentacin (con un
grfico miniatura en la
esquina). Estos grficos
ms pequeos del
margen representan
imgenes comprimidas
vertical y
horizontalmente del
grficoprincipal.
96
Enlosgrficos2Dlacompresindecapasesunatcnicaexploratoriadelanlisis
dedatosquepuedefacilitarlaidentificacindetendenciasydepatrones,deotra
manera cubiertos en subjuegos de 2 dimensiones. Por ejemplo, en la ilustracin
siguiente,(basadoenunejemplodiscutidoporCleveland,1993),puedeservisto
que el nmero de manchas solares en cadaciclo se decae ms lentamente que
cuando se levanta en el inicio de cada ciclo. Esta tendencia no es fcilmente
evidente al examinar el diagrama de lneas estndar sin embargo, el grfico
comprimidorevelaelpatrnocultado.
XIX. PROYECCIONESDEJUEGOSDEDATOS3D
Los diagramas de contorno generados por proyecciones de las superficies

(creadasdelosjuegosdedatosmultivariados,tpicamentedetresvariables)esun
mtodo til para explorar y examinar analticamente los datos a partir de las
formasdelassuperficies.
Con respecto a los diagramas superficiales, pueden ser menos eficaces para
visualizarrpidamentelaformacompletadelasestructurasdedatos3D,
97
sinembargo,suventajaprincipalesquepermitenelexamenprecisoyelanlisis
de la forma de la superficie (los diagramas de contorno exhiben una serie de
seccionescruzadas"delasuperficienodistorsionadashorizontalmente).
XX. DIAGRAMASDECONOS
Los grficos de conos representan casos o unidades de observacin como

smbolos multidimensionales y ofrecen un poderoso instrumento, aunque no es
fcilutilizarlacomotcnicaexploratoria.Laideageneraldetrsdeestemtodose
capitaliza por la capacidad del investigador, al marcar "automticamente" las
98
relaciones complejas (a veces interactivas) entre las variables mltiples, si esas

relacionessonconstantesatravsdeunjuegodecasos(enestecaso"conos").
A veces la observacin (o una "percepcin") de que en ciertos casos "son
similares en algo" viene antes de que el observador (en este caso un analista)
pueda articular cules variables especficas son responsables de la consistencia
observada (Lewicki, Hill, y Czyzewska, 1992). Sin embargo, el anlisis posterior
que se centra en tales consistencias marcadas puede revelar la naturaleza
especficadelasrelacionesrelevantesentrelasvariables.
Laideabsicadelosdiagramasde
conos es representar unidades
individuales de observacin como
objetosgrficosparticulares,donde
los valores de las variables se
asignan a las caractersticas o a
las dimensiones especficas delos
objetos (generalmente un caso =
unobjeto).Laasignacinestalqueelaspectototaldelobjetocambiaenfuncin
delaconfiguracindelosvalores.
As, los objetos dan "identidades" visuales

nicas para las configuraciones de valores, y
eso se puede identificar por el observador.
Examinartalesconospuedeayudaradescubrir
los racimos (clusters) especficos de ambas
relaciones simples y las interacciones entre las
variables.
AnalizandoDiagramasdeconos
Eldiseo"ideal"delanlisisdelosdiagramasdeconosconsisteencincofases:
99
1.Seleccioneelgrupodevariablesquevaaseranalizado.Enmuchoscasosuna
secuencia que comienza al azar es la mejor solucin. Usted tambin puede
intentar incorporar las variables basadas en el orden de una ecuacin de la
regresin mltiple, las cargas factoriales en un factor interpretable (vase el
captulo del anlisis factorial), o una tcnica multivariada similar. Ese mtodo
puede simplificar y "homogenizar" el aspecto general de los conos que pueden
facilitar la identificacin de patrones escondidos. Puede tambin lograr algunos
patrones interactivos ms difciles de encontrar. No se pueden dar a este punto
ningunasrecomendacionesuniversales,conexcepcindequeintenteotromtodo
ms rpido (ordenar al azar) antes de involucrarse en un mtodo ms
desperdiciadordetiempo.
2. Busque cualquier regularidad potencial, tal como semejanzas entrelos grupos

de conos, los casos atpicos, o las relaciones especficas entre aspectos de los
conos(Ej.,el"silosprimerosdosrayosdelconodeestrellasonlargos,entonces
uno o dos rayos en el otro lado del cono son generalmente cortos"). Se
recomiendaparaestafaseeltipodediagramasdeconoscirculares.
3.Siseencuentranalgunasregularidades,intenteidentificarlasentrminosdelas
variablesespecficasimplicadas.
4.Reasignelasvariablesalascaractersticasdelosconos(oseleccioneunode
los diagramas secuenciales del cono) para verificar la estructura identificada de
lasrelaciones (Ej., intente mover juntos losaspectos relacionados del cono ms
cercanoparafacilitarotrascomparaciones).Enalgunoscasos,enelfinaldeesta
fase se recomienda sacar las variables que no parecen contribuir al patrn
identificado.
5.Finalmente,utiliceunmtodocuantitativo(talcomounmtododelaregresin,
una valoracin no lineal, un anlisis de funcin discriminante, o un anlisis de
racimos) a la prueba, y cuantifique el patrn identificado o por lo menos algunos
aspectosdelpatrn.
100
TaxonomadeDiagramasdeconos
La mayora de los diagramas de conos se pueden asignar a una de dos

categoras:circularysecuencial.
conos circulares. Los diagramas circulares de conos (diagramas de estrella,

diagramas de rayo de sol, conos de polgono) tienden al formato de "ajustarse
alrededor del radio" donde los valores de las variables son representados por
distanciasentreelcentro("eje")delconoydesusbordes.
Esos conos pueden ayudar a

identificar relaciones interactivas
entre las variables porque la
forma total del cono puede
asumirpatronestotalesdistintivos
e identificables, dependiendo de
configuraciones multivariadas de
los valores de las variables de
entrada.
Para traducir tales patrones globales en modelos especficos (en trminos de

relaciones entre las variables) o verificar las observaciones especficas sobre el
patrn,esprovechosocambiaraunodelosdiagramassecuencialesdeconoque
sepuedanprobardeformamseficientecuandounosabequbuscar.
conos secuenciales. Los

diagramasdeconosecuenciales
(conos de columna, conos de
perfil, conos de lnea) siguen un
formato ms simple donde los
smbolos individuales son
representados por los diagramas
101
desecuenciapequeos(dediferentestipos).
Los valores de variables consecutivas son representados en los diagramas por

distancias entre la base del cono y los puntos de ruptura consecutivos de la
secuencia (Ej., la altura de las columnas mostradas arriba). Esos diagramas
puedensermenoseficientescomoherramientaparalafaseexploratoriainicialdel
anlisisdelcono,porquelosconospuedenversimilares.Sinembargo,segnlo
mencionadoantes,puedenserprovechososenlafaseenquesehareveladoya
un cierto patrn hipottico y uno necesita verificarlo o articularlo en trminos de
relacionesentrelasvariablesindividuales.
conos de Pastel. Los diagramas de

cono de pastel caen en parte entre las
dos categoras anteriores todos los
conos tienen la misma forma (Pastel)
pero se dividen secuencialmente de
diferente forma segn los valores de
variablesconsecutivas.
Desde un punto de vista funcional, pertenecen ms al tipo secuencial que a la

categoracircular,aunquepuedenserutilizadosparaambosusos.
CarasdeChernoff.Estetipodeconoesunacategoraporsmismo.Loscasos
son visualizados por las caras del diagrama esquemtico, de tale forma que los
valoresrelativosdelasvariablesseleccionadassonrepresentadosporvariaciones
decaractersticasfacialesespecficas.
Debido a sus caractersticas nicas, es

considerado por algunos investigadores
como la ltima tcnica exploratoria
multivariada que es capaz de revelar
patronesocultos deinterrelacionesentre
102
las variables, que no se pueden observarse por ninguna otra tcnica. Esta
declaracinpuedeserunaexageracin,sinembargo.Tambin,debeseradmitido
que las caras de Chernoff son un mtodo que es difcil de utilizar, y requiere
mucha experimentacin con la asignacin de variables a las caractersticas
faciales.VeatambinlasTcnicasdeanlisisdedatos.
Estandardizacindevalores
Aexcepcindecasosinusuales,cuandoustedseproponequelosconosreflejen
las diferencias globales en rangos de valores entre las variables seleccionadas,
losvaloresdelasvariablessedebenestandardizarenlaescalaparaasegurarla
compatibilidad de rangos del valor dentro del cono. Por ejemplo, porque los
valoresdeljuegodedatossonmsgrandesqueelpuntodereferenciaglobaldel
escalamientoparalosconos,entonces,sihayvariablesqueestnenunagama
de orden mucho ms pequea, pueden no aparecer en el cono, Ej., en un
diagramadeestrella,losrayosquelosrepresentanserndemasiadocortospara
servisibles.
Aplicaciones
Losdiagramasdeconosongeneralmenteaplicables(1)alassituacionesdonde
uno desea encontrar patrones o racimos sistemticos de observaciones, y (2)
cuando uno desea explorar posibles relaciones complejas entre varias variables.
Elprimertipodeusoessimilaralanlisisderacimos,esdecir,puedeserutilizado
paraclasificarobservaciones.
Porejemplo,supongaqueustedestudilaspersonalidadesdeartistas,yregistr
lospuntajesparavariosartistasenunnmerodecuestionariosdelapersonalidad.
El diagrama puede ayudarle a precisar si hay racimos naturales de los artistas
distinguidos por los patrones particulares de conteos en diferentes cuestionarios
(Ej., usted puede encontrar que algunos artistas son muy creativos,
indisciplinados, e independientes, mientras que un segundo grupo son
103
particularmente inteligentes, disciplinados, yrelacionados con el xito reconocido

delpblico).
Elsegundotipodeuso(laexploracinderelacionesentrevariasvariables)esms
similaralanlisisfactorialesdecir,puedeserutilizadoparadetectarquvariables
tiendena"agruparse"Porejemplo,supongaqueustedestudiabalaestructurade
la opinin de la gente con coches. Varios sujetos terminaron los cuestionarios
detallados que clasificaban diferentes coches en numerosas dimensiones. En la
basededatosseregistranlospromediosencadadimensin(lasvariables)para
cadacoche(comocasosuobservaciones).
CuandoestudiaustedahoralascarasdeChernoff(cadacaraquerepresentalas
opiniones para un coche), si el precio fue asignado a sonrisa y aceleracin al
tamaodeorejas,puedeocurrirlequelascarassonrientestiendenatenerorejas
grandesentonceseste"descubrimiento"significaqueloscochesrpidossonms
costosos. Esto, por supuesto, es un ejemplo simple en anlisis de datos
exploratorios de la vida real, pueden llegar a ser evidentes las relaciones
complejasnoobviasentrelasvariables.
GrficasRelacionales
Losdiagramasdematrizvisualizanrelacionesentrelasvariablesapartirdeunao
dos listas. Si el software permite que usted marque subconjuntos seleccionados,
losdiagramasdematrizpuedenproporcionarlainformacinsimilarendiagramas
decono.
Sielsoftwarepermitequeustedcree,yqueidentifiquesubconjuntosdefinidospor
el usuario en diagramas de puntos, los diagramas de puntos 2D simples se
pueden utilizar para explorar las relaciones entre dos variables asimismo, al
explorar las relaciones entre tres variables, los diagramas de puntos 3D
proporcionanunaalternativaalosdiagramasdecono.
TiposdeGrficosdeconos
104
Hayvariostiposdediagramasdecono.
Caras de Chernoff. Una "cara" separada se dibuja para cada caso los valores
relativosdelasvariablesseleccionadasparacadacasoseasignanalasformasy
alostamaosdelascaractersticasfacialesindividuales(Ej.,longituddelanariz,
ngulodecejas,anchuradelacara).
Para ms informacin vealas caras de Chernoff en taxonoma de los diagramas

decono.
Estrellas.Losconosdeestrellassonuntipocirculardediagramadecono.Una
estrellaseparadasetrazaparacadacasocomoconolosvaloresrelativosdelas
variables seleccionadas en cada caso son representados (a la derecha,
comenzando en las 12:00) porlalongitud de rayos individuales en cada estrella.
Losextremosdelosrayossonconectadosporunalnea.
105
Rayos de Sol. Los conos de rayos de sol son un tipo circular de diagrama
separado para cada caso, cada rayo representa una de las variables
seleccionadas(hacialaderecha,comenzandoenlas12:00),ylalongituddelrayo
representa elvalor relativo dela variable respectiva. Los valores de los datos de
lasvariablesparacadacasosonconectadosporunalnea.
Polgonos. Los conos de polgono son un tipo circular que se traza para cada
caso, y los valores relativos de las variables seleccionadas en cada caso son
representadosporladistanciadelcentrodelconoalasesquinasconsecutivasdel
polgono(aladerecha,comenzandoenlas12:00).
106
Pasteles.Losconosdepastelsonuntipocirculardediagramadondelosvalores
de los datos para cada caso se trazan como grfica de pastel (a la derecha,
comenzando en las 12:00) los valores relativos de variables seleccionadas son
representadosporeltamaodelasrebanadasdelPastel.
Columnas. Los conos de columnas son untipo secuencial deldiagrama que se

trazaparacadacasolosvaloresrelativosdelasvariablesseleccionadasporcaso
sonrepresentadosporlaalturadecolumnasconsecutivas.
107
Lneas.Lalneaconosesuntiposecuencialdediagramadeconos.
Un grfico de lneaindividual se traza paracada caso, y los valores relativos de

lasvariablesseleccionadasparacadacasosonrepresentadosporlaalturadelos
puntosconsecutivosdelalnea,sobrelalneadefondo.
Perfiles. Los conos de perfil son un tipo secuencial de diagrama de conos. Un

grficoindividualdelreasetrazaporcaso,ylosvaloresrelativosdelasvariables
seleccionadas para cada caso son representados por la altura de los picos
consecutivosdelperfilsobrelalneadefondo.
108
conosenmarcados
Si el software permite que usted especifique subconjuntos mltiples, es til

especificar los casos (sujetos) cuyos conos sern enmarcados (y los marcos
sernpuestosalrededordelosconosseleccionados)eneldiagrama.
Los patrones de lnea delos marcos que identifican subconjuntos especficos se

debenenumerarenlaleyendajuntoconlascondicionesdelaseleccindelcaso.
Elgrficosiguientemuestraunejemplodelossubconjuntosmarcados.
109
Todos los casos (observaciones) que renan la condicin especificada en el

subconjunto 1 (es decir, los casos paraloscuales el valor de la variableIristype
son iguales a los de la variableSetosa y para los cules el nmero del caso es
menor de 100) estn marcados conun marco especfico alrededor delos conos
seleccionados.
Todosloscasosquerenanlacondicindefinidaenelsubconjunto2(esdecir,los
casosparaloscualeselvalordeIristypesonigualesalavariableVirginic,ypara
los cules es menor el nmero del caso de 100) tendrn un marco diferente
alrededordelosconosseleccionados.
XXI. TCNICASDEREDUCCINDEDATOS
A veces se puede obscurecer un patrn existente trazando un subjuego

extremadamente grande (vase la grfica de abajo que puede tenerse como
animacinconlosarchivosdelcurso).Cuandoustedtieneunabasededatosmuy
grande,puedesertiltrazarunsubconjuntodelosdatos,demodoqueelpatrn
noseaocultadoporelnmerodelosmarcadoresdepuntos.
110
Algunos software ofrecen mtodos para la

reduccin de datos (u optimizacin) que
puede ser til en estos casos. Idealmente,
una opcin de la reduccin de datos
permitir que usted especifique un valor n
delnmeroenteromenorqueelnmerode
casos en la base de datos. Entonces el
software seleccionar casos de n,
aleatoriamente de los casos disponibles, y
crear el diagrama basado en estos casos
porsimismo.
Observequetalesmtodosdelareduccindesubjuegos(otamaodemuestra)
dibujan con eficacia una muestra escogida al azar de los subjuegos existentes.
Obviamente,lanaturalezadetalreduccindedatosesenteramentediferenteque
cuando los datos se reducen selectivamente a un subconjunto especfico o se
partenenlossubgruposbasadosenciertoscriterios(Ej.,elgnero,laregin,oel
nivel de colesterol). Los ltimos mtodos se pueden poner en ejecucin
recprocamente(Ej.,conelmtododecepilladoanimado),uotrastcnicas(Ej.,los
grficos categorizados o las condiciones de seleccin de casos). Todos estos
mtodos pueden ayudar posteriormente a identificar patrones en subjuegos
grandes.
XXII. ROTACINDEDATOS(ENESPACIO3D)
Cambiando el punto de vista para los diagramas de puntos de 3D los (Ej.,

diagramasespectrales,simples,oespaciales)puedeserunatcnicaexploratoria
eficaz, puesto que puede revelar los patrones que son fcilmente ocultados, a
menos que usted mire la "nube" de los puntos de referencias desde un ngulo
apropiado(vaselagrficadeabajoquepuedetenersecomoanimacinconlos
archivosdelcurso).
111
Algunos software ofrecen perspectivas

interactivas, la rotacin y los controles que
hacen girar continuamente pueden ser tiles
en estos casos. Idealmente, estos controles
permitirn que usted ajuste el ngulo y la
perspectiva de la grfica para encontrar la
localizacin del "punto de vista" ms
informativo del grfico, as como permitirle
quecontrolesurotacinverticalyhorizontal.
En tanto que estas posibilidades son tiles

para el anlisis de datos exploratorio inicial, pueden ser tambin absolutamente
beneficiosasenexplorarelespaciofactorial(vaseelAnlisisFactorial)yexplorar
elespaciodimensional(vaseelEscalamientoMultidimensional).
LigasparaconsultarlostiposdegrficasenStatistica
StatSoft, Inc. (2003). Electronic Textbook. Graphical Techniques.

http://www.statsoft.com/textbook/stathome.html
Grficas2D Espectrales Grficas3D
Categorizadas
Barras/Columnas Trazos
Contorno
BarrasdeDesviacin Grficas3D
Secuenciales Desviacin
BarrasizquierdaY
HistogramasBivariantes Diagramasdepuntos
BarrasDerechaY
Cajas Espaciales
BarrasArriba
Rangos Espectrales
BarrasX
Datoscrudos Superficie
Cajas
Contorno/Discretos GrficasTernarias
ProbabilidadTendencial
SecuencialContorno Categorizadas
ProbabilidadMitad
SecuencialSuperficie TernariasContorno/Area
Normal
FilamentosDatosCrudos Ternarias
HistogramasdeBarras
Contorno/Lneas
Colgantes DatoscrudosSuperficie
TernariasDiagramade
Grficas4D/Ternarias
112
puntos
Histogramas Diagramasdepuntos
GrficasnD/cono
Lneas 3DTernarias
CarasdeChernoff
GrficasdePastel Contorno/rea
Columnas
Probabilidad Contorno/Lneas
Lneas
Probabilidad Desviacin 3D
Probabilidad Pasteles
Espaciales3D
QuantilQuantil Polgonos
Grficas2D
Rango Categorizadas Perfiles
Diagramasdepuntos ProbabilidadTendencial Estrellas
Secuencial/Estacas ProbabilidadMitad RayosdeSol
Normal GrficasMatriciales
Diagramadepuntos
Voronoi ProbabilidadNormal Columnas
Grficas3DXYZ Probabilidad
Lneas
Probabilidad
Contorno Diagramasdepuntos
QuantilQuantil
Desviacin
Diagramasdepuntos
Espaciales
113
APARTADOD. DIAGRAMAS
CORRELACIONALES
ASCC
XXIII. ELANLISISSISTMICOPORMEDIODE
CONSTELACIONESCORRELACIONALES
INTRODUCCIN
En el trabajo educativo a veces encontramos problemas para elucidar las

relacionesentrelasdiferentescircunstanciasqueseasociananuestroquehacer.
Se propone esta tcnica de Anlisis Sistmico por medio de Constelaciones
Correlacionales (ASCC), donde se obtiene una configuracin o modelo del
sistema, que surge de un orden que existe en la realidad con un nivel de
aproximacinsignificativoestadsticamente.
Lalecturadelosdatosessimplificadacuandosediagramanlasrelacionesentre
las variables, lo que permite concentrar la atencin en secuencias y
agrupamientosespecficos.
Porejemplo:
Tabladecorrelacincannicaentrelasvariablesde13y14aos.Correlaciones
significativas a p 0.01,r 0.2578, n=99.La fila superior corresponde alos 14
aosylaprimeracolumnaalos13.
1314REAFECT RMREGJU RMCONVP RMAUTIM RMSENPR RMDEBIE RMBIENO RMASERT REOPAYU REAPJUV REPADEF
REAFECT 0.27
RMREGJU 0.31 0.29
114
RMCOMRE 0.35
RMAUTIM 0.26
HNOCAST 0.28
REPOROB 0.28
RMSENPR 0.29
RMBIEMA 0.28 0.34 0.34
RMAYUDA 0.30 0.28
REACTIV 0.27 0.30
RESOCIA 0.29 0.26
RMBIENO 0.30 0.33 0.28
RMASERT 0.27
HAESIMP 0.27
HBUEXIG 0.27
REBUECO 0.28
REPROLE 0.32 0.29
REVALYS 0.35 0.36
REINVES 0.26 0.32
REAPADR 0.29 0.34
RECAMEJ 0.26 0.31 0.27
REAPCOM 0.32 0.30
REHEREN 0.26
Enundiagramalarepresentacinquedaradelasiguienteforma:
115
ARESOCIA
ARMAUTIM
BRMAUTIM BRMCONVP BRMBIENO
ARMSENPR
AREHEREN
AREAPCOM
BRMSENPR
AREINVES
AREBUECO
AREPROLE
BREAFECT
ARMCOMRE ARMASERT
AREVALYS
AHBUEXIG
BREOPAYU
AREACTIV
BRMREGJU
AREAPADR
ARMBIEMA ARMAYUDA
ARMREGJU
ARMBIENO
BREPADEF ARECAMEJ
BREAPJUV
BRMDEBIE
AREPOROB
BRMASERT AHAESIMP AHNOCAST AREAFECT
En este trabajo se pretende destacar la importancia de introducirse al uso de la

estadsticaenlasllamadas comnmente ciencias sociales (a partir de un nfasis
en muestreo y correlacin), para fundamentar la tcnica ASCC con el uso del
cmputoenlatomadedecisiones,mismaquepuedeserampliadaenotrasreas
de nivel directivo no educacional como el anlisis de procesos administrativos y
productivos.
Se pretende adems, sin profundizaciones, abrir las posibilidades de uso de la

estadsticaparaquiennotieneconocimientosdelamisma,llevndololentamente
en una serie de pasos, para que tome las decisiones ms adecuadas con altos
nivelesdeprecisin.
116
La Tcnica de Anlisis Sistmico por medio de Constelaciones Correlacionales

est diseada para la toma de decisiones y se fundamenta en cuatro aspectos
bsicos:LaTeoradeSistemas,lateorayelprocesodelacorrelacinestadstica,
el uso de sistemas de cmputo y, la sistematizacin u organizacin de los
elementos (variables) que intervienen en el fenmeno, problema u objeto de
estudio.
Ampliando los fundamentos tericos de la tcnica presentada, se puede abordar

con mayor facilidad y una comprensin ms completa su utilidad y sus posibles
aplicaciones.
Elusodelossistemasdecmputohahechovariarlasmetodologasytcnicasde
investigacin, tanto en diversidad como en una significativa reduccin deltiempo
deejecucindelasmismas.
Esto se hace ms patente en la aplicacin,captura y proceso de la informacin,

quepermitemanejarunnmerosignificativamentemayordevariablesqueenlas
dcadasanterioresenformamuyrpidayaltamenteprecisa,detalmaneraqueel
investigador puede ampliar considerablemente tanto el nmero de problemas
analizados como las aplicaciones estadsticas en los mismos, con diferentes,
interesantesynovedosasperspectivas.
Una de las caractersticas que se denotan con mayor nfasis en el uso del
procesamiento por cmputo, es que cada vez en mayor medida se utiliza en la
tomadedecisiones.
Apuntescomplementariossobrelacorrelacinestadstica
Los conceptos de correlacin fueron presentados por el cientfico ingls Sir

FrancisGalton(l8221911),cuandohacainvestigacionessobrelaherenciayotras
reas de la biologa, llegando a ser en la actualidad una de las tcnicas
estadsticasmsutilizadasparaanalizaromanejarlasrelacionesenlossistemas
complejos.Elanlisisdecorrelacinnospermiteverlafuerzaointensidaddelas
117
relacionesquehayentredosomsvariablesquecovaranrecprocamente.Sihay
una mayor tendencia para variar conjuntamente, mayor correlacin habr entre
ambas,pudindosellegaraunacorrelacinperfecta.
Desde el punto de vista dela

teora de sistemas, hay
causalidad,entrelasmltiples
variables o elementos que r=0.85
integran un sistema, y si son Fertilizantes

yriego
dependientes, el cambio
operado en uno de ellos
resultar en un cambio en
otro u otros puntos del Crecimiento
sistema,yaquedesdesupuntodevistaestnunidosporcohesinycovarianza.
No habr de perderse de vista que la correlacin estadstica mide el grado de
intensidaddelaasociacinentrevariables,ynopuedehablarsedecausalidad,a
menosquesetenganevidenciasconsistentes.
Elestadsticormideelgradodecorrelacinentredosvariables,as,unvalorder=
1.00 indica una correlacin positiva perfecta, un valor de 1.00 expresa una
correlacinnegativaperfecta,entantoqueunvalorcorrelacionalde0(cero)indica
independencia total entre las variables, o falta de correlacin entre ellas. En las
ciencias sociales o en la naturaleza no suelen obtenerse correlaciones perfectas
debidoaltipodevariablesqueseestudianyalosinstrumentosdemedicinque
seutilizan,pudindoseencontrarcorrelacionesimperfectasdecincotipos:
1
1. Altasypositivas
2. Altasynegativas 3
3. Nulas Variable1 4
5
4. Bajasypositivas
2
5. Bajasynegativas Variable2
118
Elcoeficientedecorrelacinpermitepredeciropronosticarunavariableapartirde
losvaloresobtenidosenlaotra.Deestaforma,elcoeficientedecorrelacinlineal
r,eslamedidadelafuerzaderelacinlinealentredosvariables,lamagnituddel
efectoquecualquiercambioenunavariableejerceotransmitesobrelaotraenun
sentidopositivoonegativo.
Elconocimientodecomovaraunelementoofenmenoconotrodelsistemahace
posible explicar la dinmica de una situacin o hacer predicciones, de esta
manera, con el conocimiento de la variacin conjunta (covariacin) se podra
controlarun hecho o fenmeno manipulando otro u otros elementos del sistema,
unaaspiracincientficaytecnolgicadelhombre.
DeacuerdoconSpiegel,M.(1991),hayvariostiposdecorrelacin:
a) Correlacin no lineal. No implica que no haya correlacin, sino que esta

puedesercurvilnea.
b) Correlacinespuria.Esunacorrelacinsinsentidoqueseestableceentre
dosvariablesevidentementenorelacionadasenlarealidad.
c) Autocorrelacin. Es aquella que nos permite correlacionar valores de una

variable X en ciertos tiempos, con valores correspondientes de la misma
variableentiemposanteriores.
d) CorrelacinMltiple.Eselgradodecorrelacinqueseestableceentretres
omsvariables.
En suma, la correlacin mide el grado o la intensidad de asociacin o relacin

tendencialqueexisteentredosomsvariablescualitativasocuantitativas.Apartir
de los cambios que se pueden producir en una variable, se pueden deducir,
inducir y predecir los cambios que sufrirn las otras variables con que se
relaciona.
Las correlaciones definen la concordancia (correlacin positiva) o diferencia

(correlacin negativa) y adems permiten abordar esquemas referenciales
simples, parciales o multivariados en diferentes grados de complejidad. As,
119
podemosmencionaralgunascualidadesdediferentestiposdecorrelacin(S.E.P.
1985),comolassiguientes:
a)Lacorrelacinpositivaqueidentificatendenciasconcordantesdesentido.
b) La correlacin negativa que identifica tendencias divergentes o inversas de

sentido.
c) La correlacin rectilnea a demostrado su efectividad al referir la dimensin

espacial (longitud, latitud y profundidad) as como lo relacionado con la
previsibilidaddefenmenosdebajoriesgoyaquellosqueperfilanconstantesose
losubicaenmicrodimensiones.
d) La correlacin curvilnea ha dado un mayor sentido interpretativo al referir

fenmenos relacionados con las dimensiones temporales, biopsicosociales o
personales, as como en relacin a las concepciones de relatividad, universo
curvo,previsindefenmenosdealtoriesgo,gradacin,variabilidad,ciclicidado
macrodimensiones.
Unacorrelacinpositivasignificaquelosindividuos(variables,elementosocasos)
que obtienen altas calificaciones en una variable, tienden a obtener altas
calificacionesenunasegundavariablesegnGonzlezAlans(1992).
Deacuerdoconelmismoautorlaclasedecoeficientedecorrelacinqueseusa,
dependedeltipodeescalaenlacualseexpresalavariabledelanaturalezadela
distribucin fundamental segn sea continua y discreta, ydela forma lineal o no
linealdeladistribucindelascalificaciones.Expresaademsque:
ElcoeficientedecorrelacindelproductomomentodePearson"r",sepuede
emplearconvariablesdeintervalooderazn.
Noencontrarevidenciadeunarelacinentredosvariables,atravsdelarde
Pearson,puedesignificarquelasvariablesestnrelacionadasenunaforma
distintadelarelacinlineal.
120
La suposicin de que existe una relacin lineal, es la justificacin ms

importanteparaelempleodelardePearsoncuandosequiereobteneruna
medidadelarelacinentrevariables.
Mientras que las relaciones sean unimodales y relativamente simtricas, el

clculodelardePearsonpuedeconsiderarselegtimo.
El coeficiente de correlacin por rangos de Spearman, se emplea con datos

devariablesordinalesdeparescomparados.
Antes de aplicar la correlacin de Spearman, ambas escalas deben

expresarseenrangos.
Aunque se pueda obtener la r de Pearson con datos ordenados, la r de

Spearmanreducelatareadelcmputomanualparaobtenerlacorrelacin.
Cuando las series nominales son dicotmicas, se usa la correlacin

tetracrica,entreotras.
Esconvenientequeparapoderleerlosresultadosestadsticamente,secontemple
cuando menos la siguiente clasificacin de relaciones de acuerdo a S.E.P. (Op.
Cit.):
1. Contingente:Fortuita
2. Casual:Alazaroaleatoria.
3. Causal:Determinacinunivariable.
4. Concomitante: Dependencia de una relacin en funcin de otro factor de

incidencia.
5. Concausal.:Determinacinmultivariable.
6. Condicional:Causaspredisponentes,desencadenantesydeterminantesen
una funcin polivalente, diacrnica y sincrnica, en sus perspectivas
relacionales,longitudinales,transversaleseintegrales.
121
Si tenemos una poblacin o una muestra determinada, los valores de r sern

menores en tanto sta aumente en nmero, pero conservando altos valores de
significancia (ver Tabla 2), de ah que en el diseo de una configuracin de
mltiplesvariablesinterrelacionadas,senospresenteunentramadodelneasque
dificultaleersusignificado.
A veces es conveniente, sobre todo en sta tcnica, separar la poblacin en

subpoblacionesporcriteriosdegnero,procedencia(ruralourbana),continuacin
deestudios(contradesercin)uotrasvariablesnominalesquesederivendesus
propiosatributosnaturales.
Los mtodos estadsticos que generalmente culminaban con medidas de

tendencia central o dispersin, o con los histogramas representativos de la
informacin recabada, ahora pueden ser llevados con una gran facilidad a las
aplicaciones no paramtricas y anlisis multivariados con auxilio del cmputo
estadstico.
Estohaimpactadodemanerarelevantealascienciasdelaeducacin,forzandoa
los investigadores a introducirse en los beneficios tecnolgicos que representan
los tratamientos cuantitativos para el manejo preciso de grandes volumenes de
informacin. En esta tcnica, que tiene carcter exploratorio, se pretende
precisamentemejorarlacalidaddelasdecisionestomadasenlaeducacinconel
auxilio de la estadstica y del cmputo, ampliando el acceso de usuarios a estos
beneficiostecnolgicos.
Descripcindelatcnicadeconstelacionescorrelacionales.
Antecedentesdelatcnica
Durantelas diferentes confrontaciones delautor con problemas educativos, tanto

acadmicos como administrativos, surgieron numerosas opciones sobre las
soluciones, la validez de los resultados y las posibilidades del tratamiento delas
variables educativas para la toma de decisiones escolares. Al irse integrando la
122
tcnica se fue refinando progresivamente y clarificando su uso para observar el

logro de los objetivos institucionales, y en las perspectivas de la investigacin y
evaluacin continua en las escuelas, as como en otras aplicaciones derivadas
haciaotroscamposdelaadministracin.
Porotraparte,seencontrquelatcnicadeASCCpodraservirparaexplicitarel
procesoeducativoenelaula,arrojandoinformacintilparalatomadedecisiones
ylaprevisinycontroldelasvariables,llevndolasaunprocesodedesarrolloy
pruebaensituacionescontingentes,dentrodeunamplioespectrodecondiciones
educacionales.
Lanecesidaddedepuraryprecisarlatcnicaparafacilitarlatomadedecisiones,
tanto de la organizacin escolar como de la prctica educativa, llev al autor a
usarlaensituacionesdiversas(RomeroDvila.A.1992yMuozLpez,T.1991),
ademsdeaplicarlaensutesisdoctoral(MuozLpez,T.1997).
Aqu se entienden las Constelaciones Correlacionales como diagramas o

configuracionesdesarrolladosparamodelarodenotarlaestructuradeunsistema
mediante la aplicacin y desarrollo del anlisis de la correlacin estadstica.
Precisando,apartirdelacorrelacintratadaconprogramasdecmputo,sepuede
configurarlaestructurafundamentaldelsistemauordenqueexisteenlarealidad,
ademsdeelucidarlarelacindelasvariablesoelementosqueloconstituyenen
unaconstelacindecondicionalidadmltiple.
Sin dejar de lado el punto de vista esttico, usted obtendr representaciones

grficaselegantesyexplicativasenlaspresentacionesdecarcterejecutivoycon
elpersonalasucargo,ademsdegarantizarresultadosmsconsistentesenlas
propuestasquesederivendelanlisisdelasestructurasmodeladas.
Msadelantetambinpuedetrabajarsimulacionesconlaalteracindelosvalores
de alguna variable en estudio, antes de hacer los cambios en la realidad, por
ejemplo: Que sucedera si aumentamos el presupuesto destinado a la
capacitacin docente?, antes de programarlo en el gasto puede incrementar en
123
un,digamos20%,losvaloresdesubasededatosparasavariableyobservarel
efecto del cambio resultante sobre la correlacin con otras variables como el
aprovechamientoescolaroelporcientodeavancedeloscursos.
Ello permitir decidir si aumentamos el apoyo a las variables precedentes.

Seguramente si antes no existi correlacin, ahora probablemente sea diferente,
peroesmenosriesgososimularloenunmodeloantesdehacerlorealmente.
Laterminologarelativaalasconstelaciones
La denominacin de constelaciones se refiere a la semejanza que tienen las

configuraciones que resultan de los sistemas estudiados, con las imgenes
mitolgicasestelaresqueexplicabanosignificabanunordenyafinidadaparentes
entre los fenmenos terrestres y los del cielo nocturno a los pueblos antiguos,
terminologa que hereda la astronoma moderna. El concepto de constelacin al
parecersehatransformadoenuntrminopolismico,raznporlacualseprecisa
acontinuacinelsentidoqueaquseleconfiere.
Probablementelapsicologaylosestudiosrelativosalcomportamientohanusado
entiemposmsrecienteselconceptodeconstelacinconmayorasiduidad(como
concepto, no como configuracin correlacional), sobre todo en sociogramas. Su
significado vara ampliamente y es utilizado para indicar situaciones donde se
presentanconjuntos,secuenciasuordenacionesderelacionesentrevariablesde
muydiversotipoynivelesdecomplejidad.
Una presentacin de algunas investigaciones sobre el uso del concepto de

constelaciones, nos clarifican la polisemia del trmino. En 1980 Ann M. Johns
analiz la cohesin del discurso comercial adems, B. Beebe y L. Gerstman
(1984)loaplicaronparadefinirpaquetesdeentendimientomaternalfacialvisual.
Entreotrosestudiossobre"constelaciones",M.Hiteyotros(1985),R.Williamsy
B. E. Compas (1988), R.W. Bradley en 1982, R. Scott y David A. Stone (1986),
Auvenshine (1987) yKreppner(1986)estudiaronconstelacionesfamiliares.
124
Shore y otros (1987) estudiaron pacientes depresivos en tres culturas tribales

indias americanas y concluyen precisando tres distintas constelaciones
influenciadas culturalmente, G. D. Rowles en 1982 distinguiendo constelaciones
de principios de soporte, y E. Shapiro y R. Tate (1988) utilizaron modelos de
constelacionesconregresinmltiple.BrianKidd(1984)condujounestudiosobre
constelacionesderecursosdisponiblesenelcampusyelpasodelosalumnosdel
nivelmediosuperioralauniversidad.Porotraparte,G.Karrby(1986)estudilas
constelacionesgrupalesenpreescolaresanalizandosusinteracciones.
Barbara L. Goedel (1985) identific relaciones en las constelaciones fraternales

usando anlisis multivariado, en tanto que Byrnes y Canale (1987) trazaron
constelaciones histricas en enseanza de lenguas extranjeras. Por otra parte,
Dale H. Schunk (1987) indica que el complejo de constelaciones de aptitudes
predicemejorelaprendizajequecualquieraptitudsola.
Iran Nejad, A. y A. Ortony (1982) discuten la organizacin funcional de las

constelaciones de elementos neuronales. En un trabajo posterior (1983) los
mismos autores conciben las constelaciones de elementos neuronales como
microsistemas fisiolgicos en tanto que Goodman (1989) considera el autismo
comoresultadodeconstelacionesdeinapareamientosfuncionales.
Malow y otros (1989) encontraron diferentes constelaciones de problemas de la

personalidad, y adicionalmente L. Perfetti (1990) codifica constelaciones
fraternalesparaprogramasquesalvanmemoriademicrocomputadora.
Como se observa, la polisemia del concepto se refiere a diversos campos

profesionalesyamuyvariadasmetodologas.
Sepudieronencontraradicionalmenteesquemas metodolgicosquedieronideas
acerca del desarrollo de sta tcnica en trabajos como los de Peter H. Smith
(1981),sobrelaMovilidadPolticaenelMxicoContemporneohaciendousode
laprobabilidadestadstica.Tambinestnenlascorrelacionesentreespeciesde
125
plantas por Anlisis de Componentes Principales de Laura Pla (1986) y en el

ProgramaIntegraldeInvestigacinEducativadelaS.E.P.(1985).
Elprocesoylaseleccindelosdatos
La matriz con el concentrado de datos capturada en un programa de cmputo

estadstico procesa la correlacin, as obtendremos las relaciones de la variable
unoconelrestoysucesivamentelassiguienteshastaobtenertodoslosresultados
enpantalla.
Los listados comprenden generalmente el nmero o nombre de las variables, el

nmero de casos procesados en la muestra, el valor de r que existe entre dos
variables(valorcorrelacional),ademsdelvalordelaprobabilidadestadstica.
Esteltimoenlamayoradelosprogramaspuedeapareceralacabezadellistado
comopigualacero,osealaprobabilidadconquesepruebalahiptesisnula.En
lamedidaenqueaumenteelvalordep,aumentarlaprobabilidaddelerrorhasta
llegar a un mximo de 1. Otros programas dan el nivel de significancia, como
anlogoalaprobabilidad,quenosindicaquehayescasaprobabilidad(p<0.05)de
quelarelacinencontradasedebaalazar.
Mendenhall (1982), menciona que..."esimprobable que un fenmeno, observado

encienciasfsicasyespecialmenteencienciassociales,seafuncindeunasola
variable. As, es probable que el coeficiente de correlacin entre el promedio de
aprovechamientoacadmicoycualquierotravariableseabastantepequeoyde
valorcuestionable".
Dadoqueustedrequieretrabajarconunaltoniveldeprecisin,paraelcasodep
igual a cero se procede a seleccionar las variables marcando en los listados las
quetenganvaloresigualesomenoresde0.05deprobabilidaddeerror,omejorp
igual o menor ( ) que 0.01 de probabilidad de error, de acuerdo al criterio del
investigador,criterioqueparatodosloscasosnecesitaserelmismoyprecisadoal
principiodelainvestigacin.
126
Losvaloresaceptablesderquesebuscaobtenerdependendeltamaodela
muestra.A muestras msgrandeselvalorderaceptableesmenoryviceversa.
Usted necesitar saber stos valores antes de leer los datos para saber cuales
sonlascorrelacionesaceptables,paralocualsepresentanenlaTabla2,donde
sebuscaelvalorderaceptablesegnelniveldeprobabilidaddeerrorquehaya
fijado.
Por ejemplo, si su muestra es de 127 personas o casos, y busca el valor de r

significativoaunaprobabilidaddeerrormenoroiguala0.05,buscarenlatabla
elvalorderequivalentea125casos(n2g.l.)queenstecasoesder (mayoro
iguala0.159paraaceptarlacorrelacinentrelasvariablescomosignificativa.
Si en los valores de la tabla para el tamao de la muestra no est su caso, es

necesariobuscarelvaloradecuadoenlastablasdelostextosdeestadsticaoen
programas especializados de acuerdo al valor de probabilidad deseado y el
tamaodelamuestra.
Tabla2.Valoressignificativosderparadiferentestamaosdemuestras(n),representadosporlos
gradosdelibertad(g.l.).Laprobabilidaddeerror(p)aceptadaesde0.05o0.01.
g.l.(n rcon rcon g.l.(n rcon rcon
2) p=0.05 p=0.01 2) p=0.05 p=0.01
1 0.997 1.000 24 0.388 0.496
2 0.950 0.990 25 0.381 0.487
3 0.878 0.959 26 0.374 0.478
4 0.811 0.917 27 0.367 0.470
5 0.754 0.874 28 0.361 0.463
6 0.707 0.834 29 0.355 0.456
7 0.666 0.798 30 0.349 0.449
8 0.632 0.765 35 0.325 0.418
9 0.602 0.735 40 0.304 0.393
10 0.576 0.708 45 0.288 0.372
11 0.553 0.684 50 0.273 0.354
12 0.532 0.661 60 0.250 0.325
13 0.514 0.641 70 0.232 0.302
14 0.497 0.623 80 0.217 0.283
15 0.482 0.606 90 0.205 0.267
16 0.468 0.590 100 0.195 0.254
17 0.456 0.575 125 0.174 0.228
18 0.444 0.561 150 0.159 0.208
19 0.433 0.549 200 0.138 0.181
20 0.423 0.537 300 0.113 0.148
127
21 0.413 0.526 400 0.098 0.128

22 0.404 0.515 500 0.088 0.115
23 0.396 0.505 1000 0.062 0.081
Los datos significativos seleccionados (es recomendable sealarlos con

marcatextos) se pasan a un listado donde se indican progresivamente las
variables en estudio, seguidas de los nmeros de las variables con las cuales
guarda correlacin significativa cada una de ellas, teniendo especial cuidado de
denotarconunsubrayadoyconelsignonegativo(),lascorrelacionesnegativas
queaparecenenloslistadosdecmputo.SedacomoejemplolaForma1.
Forma1.Listadodevariablescorrelacionadasenunestudiolosinteresesyhbitosdelosalumnos
deunaescuelatcnicaforestaldenivelmediosuperior.
Variable Variablescorrelacionadas3
1.IntersporAct.alairelibre 4,5,10,11,12,13,16.
2.Intersmecnico 9,11.
3.Intersporelclculo 9
4.Interscientficos 1,8,11,12,14,16,19.
5.Interspersuasivo 1,6,16.
6.Intersartstico 5,8,13,17.
7.Intersliterario Sinvariablescorrelacionadas.
8.Intersmusical 4,6.
9.Intersporserviciosocial 2,3.
10.Intersdeoficina 1,16,24,27.
11.Coeficienteintelectual 1,2,4,12,19.
12.Promediodehbitosyhabilidades(13a21) 1,4,11,13a21.(nosegrafica)
13.Motivacinparaestudiar 1,6,12,16,17.
14.Organizacindeltiempo 4,12.
15.Concentracin 12,18,20,21.
16.Lecturadetextos 1,4,5,10,12,12,19,20.
17.Elaboracindeapuntes 6,12,13.
18.Redaccindeensayoseinformes 12,15,18,21.
19.Disponibilidaddemateriales 4,11,12,16,18.
20.Revisindecontenidosvistos 12,13,15,16,21.
21.Preparacindeexmenes 12,15,18,20.
22.MemorizacinyTransf.deConocimientos Sinvariablescorrelacionadas.
Altrminodellistadosepuedenseleccionarlasvariablesquetienenunarelacin
espuria(porcarecerdesentidoonoposiblesenlarealidad),labordelimpiezaque
nos dejar menos relaciones y por lo tanto, menos trabajo al elaborar
posteriormenteeldiagramadelsistema.
3
Lascorrelacionesnegativasenelconcentradodedatossemarcansubrrayndolas.
128
Elaboracindelasconstelacionescorrelacionales
A partir de este punto se precisa la parte prctica de la tcnica que consiste en

denotar la estructura del sistema con las variables y sus correlaciones. Se
recomienda el uso de pizarrones blancos de acrlico con marcadores de tinta
fugaz, ya que se borran fcilmente al desplazar las variables, aunque puede
utilizar tambin hojas de rotafolio, lpiz y borrador. El proceso lleva a los
siguientespasos:
3) Sedibujancrculosquesemejanladisposicindelashorasenunacartulade
reloj(verFigura2),tantoscrculoscomovariablesexistanydentrodeellosse
anota el nmero de la variable (puede ponerse texto, pero ste tiene la
desventajadeocupardemasiadoespacioqueenestepasopuedeahorrarse).
1
22 2
21 3
20 4
19 5
18
6
17 7
16 8
15 9
10
14
13 1
12
Figura2.Variablesdispuestasinicialmenteenformadecartuladereloj.Elejemplocorrespondeal
estudiodelperfildelalumnodenivelmediosuperiordelaEscuelaForestaldelaSARHenSaltillo
durante1990.
4) De acuerdo a la lista inicial se trazan lneas que unen las variables

correlacionadas, quedando as una trama de lneas (correlaciones)
entrecruzadas.Observequenoseincluyenlascorrelacionesdelavariable12
129
porque es un promedio de las siguientes diez y produce complicaciones

innecesariasporquecorrelacionacontodaslasvariablesquelooriginan.
5) Haciendousodelaimaginacin,pensemosquelaslneassonhilosmvilesy
elsticos que unen las variables. Esto, en una hoja de papel o pizarrn, nos
permite desplazar fcilmente primero aquellas variables (crculo numerado)
que tengan menos relaciones (1 o 2 lneas) hacia espacios externos a la
cartula del reloj, cerca de las variables con las que se relacionan. Ser
necesarioborrarlasyredibujarlasenlanuevaposicin,iniciandopormovera
aquellas variables que tienen pocas lneas o relaciones (Figura 4). Repita el
procesoconotrasvariables.
1
22 2
21 3
20 4
19 5
18
6
17 7
16 8
15 9
10
14
13 11
12
Figura3.Lneasquedenotanlascorrelacionesentrelasvariables.Lascorrelacionespositivasson
lneasslidasylasnegativaspunteadas.
6) Buscamosqueeneldiseofinalnoexistaningunalneaquesesobrepongaa
otra, o sea, lneas cruzadas. Ahora procuremos mover las variables de los
crculos numerados que tengan ms relaciones al centro de la cartula
imaginaria inicial en todos los casos posibles. Como se puede observar, la
longitud de las lneas variar con los cambios de posicin, esto no es
importante, pero poco a poco nos llevar a que el sistema o modelo se
flexibiliceyvayatomandosupropiaconfiguracin.
130
10 1
14
21
15
20 4
8
19 5
18
22
16
17
12
7 13 11 2 9 3
Figura4.Resultadodelaprimeradescomposicindevariables.
7) Elcrucedelaslneastienequeserresueltoensutotalidad,situacinquese
complica si tenemos muestras demasiado grandes, dado que tendremos
numerosasrelacionesconbajosvalorescorrelacionalesperoconunaltonivel
designificancia.
8) Ahorasepuedeprocederaanotarenelextremodelalneaunapuntaquela
convierta en flecha, lo que indicar la posibilidad de una relacin de
condicionalidadeinfluenciadeunasvariablessobreotras.Sinperderdevista
quedeseamosestructurarunsistemaexplicativo,elcriterioquellevaimplcita
ladireccindelaflechaeseldetemporalidad ,oseaquesepresuponeyse
tieneevidenciadelaexistenciapreviaylainfluenciadeunavariable(fuentede
laflecha),paraquesucedaunarespuestaenotra(destinodelaflecha).Sino
tiene evidencia terica o emprica de la temporalidad y/o de la supuesta
condicin previa de las variables para el caso especfico que estudia, evite
indicarlosdireccionamientos,slodibujelalnea.
9) Como paso final se procede a revisar las correlaciones negativas

representadas por lneas punteadas (o de otro color), ya que sto indica el
sentido delacorrelacin(positivoonegativo).
131
6
5
13
17
1 8
16 10
11 2
4
9
20 14
3
15 21
19
7 12 22
18
Figura5.Constelacincorrelacionalajustandolaposicindelasvariables.
Dado que estamos trabajando con una correlacin entre mltiples variables,
generalmentelaexpresindeunadeellasestcondicionadaporunnmeroque
puedesermuygrandedevariables,ysepresumeporlotantoquesobreellano
hay un efecto puro o nico. Podemos decir que esperamos una
multicondicionalidad(verFigura5ylafinalFigura6),yavecespermanecenlneas
cruzadasqueimplicanunaconfiguracinenterceradimensin.
10) Considerando lo anterior, pueden analizarse las variables de importancia

especial ponindolas al centro de las dems con las que se correlaciona
(Figura7).
11) No olvide anotar en su esquema final, al margen, aquellas variables que

quedaron aisladas del sistema y participaron en la investigacin sin tener
correlaciones,esoayudatambinaexplicarelsistemaqueseestudia.
132
6
5
13
17
1 8
16 10 2
11
4
9
20 14
3
15 21
19
7 12 22
18
Figura6.Resultadodelaconstelacincorrelacionalfinal.
Se presenta enlaFigura7 unejemplo de variables de especialinters ubicadas

en el centro del diagrama. stas no son constelaciones correlacionales pero
competanlaexplicacindelfenmenoqueestudiamos.
1 1
16 8 20 4
16
4
19 5
14 11
19 10
Figura7.Ejemplodecorrelacionesconunavariabledeintersenelcentro.
Lecturadelasconstelaciones
133
Toda vez que tenemos configurada la constelacin correlacional, ser necesario

leerlaparatransformarlaenunaexplicacindelcomportamientodelmodelo.
Para esto se puede proceder de dos formas, la primera consiste en aislar

imaginariamente subconjuntos de variables que aparecen ms o menos
independientesenelsistema,transcribiendoelsignificadodeestossubconjuntos
paraposteriormenteleerloscomoelsistematotal.
En el segundo mtodo se puede tomar de los listados una variable de nuestro

inters y aisladamente, se hace incidir sobre ella a las lneas o relaciones que
guarda con otras variables, procurando hacer nfasis en sus caractersticas y
consecuencias(Figura7).Esteprocedimientoescomplementariodelprimeroyde
granimportanciacuandounaspocasvariablesconcentranmuchasrelaciones.
Es conveniente que identifiquemos tentativamente las variables iniciadoras

predisponentesodesencadenantescomoaquellasdelasquepartenlaslneaso
flechas, las variables mediadoras como aquellas que condicionan, reciben y
aportan efectos en otras variables en un numero aproximadamente igual. Las
variables finales caen en esa clasificacin tentativa por el hecho de solo recibir
efectosdeotrasvariablesyporlotantosonelproductodelsistema.
Esnecesarioquealfinaldelalecturadelosresultadosreconsiderelaclasificacin
originaldelasvariablesysupertenenciaaunadeterminadacategoraovariable
compleja. En la grfica elaborada es tambin recomendable dejar anotadas las
variablesaisladas(lasquenoresultaroncorrelacionadasconotras)yrevisarque
noestnpresenteslascorrelacionesespurias,sinsentidooilgicas.
Probablemente no exista algo ms valioso que la experiencia de las personas o

investigadores que se relacionan vivencialmente con el objeto de investigacin,
siendo ellos los que pueden destacar o corregir la direccin de las relaciones y
apoyarobjetivamentelalecturadelsistema.
134
Porotraparte,sistatcnicaseaplicaeninvestigacionescientficasformales,no
precisamente en las operacionales y diagnsticos, evite el uso de las flechas y
explorelainformacinconotrosestadsticos.
Lasconclusionesysuvalidezexterna
Los resultados que se presentan en la lectura de las constelaciones son

enunciados que se establecen a partir de una representacin grfica de las
variablesysusrelaciones.Elnmerodeenunciadospodrserdemasiadogrande
como para explicarlo a otras personas, an en condiciones ptimas de tiempo y
ambiente.
Otraformadepresentarlaexplicacindelosresultadosesmediantelaobtencin
deconclusionesquesintetizanlalecturafinal.Paraconcluirnecesitamosprimero
reunirlosenunciadosdelosresultadosqueserefierenaunmismotpico.
Aqu es necesario pensar que estamos reduciendo varios enunciados en otro

mayorqueloscontiene,destamaneranuestraatencinsedirigealasvariables
ms importantes por su nmero de relaciones significativas, o por su posicin
generadora, mediadora o receptora de influencia de las otras variables en el
sistemaestudiado.
Antes de presentar los resultados le conviene verificar la validez externa de su

investigacin, lo cual quiere decir que hay seguridad de extrapolarlos a la
poblacindelaqueprovienelamuestra,deotraformatendrqueafirmarquesus
estimacionessonvlidasalmenosparalosindividuosmuestreados.
Si la muestra fue adecuadamente seleccionada, de tal manera que todos los

individuosocasostuvieronlamismaprobabilidaddesertomadosy,sisunmero
representalaproporcinadecuadadelapoblacin,seguramentepodrextrapolar
connivelesaceptablesdeconfianzaqueadquirialseguirconcuidadolospasos
ylasrecomendacionesprescritosenlatcnica.
135
Consideracionesfinales
La tcnica ASCC que aqu se presenta es un intento de inducir a usar la

estadstica a todos aquellos maestros, directivos escolares y departamentos
acadmicosrelacionadosconlatomadedecisiones,quecontandoconequipode
cmputo, tienen la necesidad pero no los instrumentos conceptuales para el
enfoquedemayorprecisinyconfiabilidaddesusproblemasysoluciones.
Es necesario que se considere que, si bien, se presenta la posibilidad de un

tratamiento ms completo de los datos para transformarlos en informacin,
siempre ser necesario profundizar en el conocimiento de la estadstica,
especialmente en puntos relacionados con el muestreo, normalidad, medidas de
tendencia central, medidas de dispersin, teora de la correlacin, diseo de
reactivos de respuesta, escalas y medidas y, los principios fundamentales de la
logsticadelainvestigacincientfica.
Si usted se interesa en los fundamentos, aplicaciones y las novedades de los

desarrollos estadsticos, es conveniente queconsulte algunos textos de stas en
las ciencias naturales, sobre todo en ecologa cuantitativa, y explorando tambin
losnuevosprogramasdecmputoestadstico.Laanteriorrecomendacinsedebe
a que las aplicaciones matemticas en ciencias sociales para Mxico son muy
restringidasenprofundidadyennmerodecasosdeinvestigadores,entantoque
enlascienciasnaturalessonprcticamenterutinasdetrabajodemayoramplitud.
Aunque en algunas tcnicas de toma de decisiones derivadas del anlisis

sistmicoseplanteaunobjetivodespusdeplantearelproblema,adiferenciade
las investigaciones de otro tipo, esto se considera slo como una mencin sin
mayor profundidad, dado que el nivel operacional que se plantea aqu no lo
requiere.
Latomadedecisionessepuedederivarfcilmentedelalecturadelaconstelacin
correlacional obtenida, sin embargo, el sistema o configuracin logrado debe ser
136
estudiado cuidadosamente para ver las variables que podemos manipular para
lograrlosresultadosdeseados.
El xito y satisfaccin al obtener buenas decisiones usando sta tcnica se

incrementar progresivamente y el usuario la manejar con mayor precisin y
facilidad, sobre todo si se interesa en las lecturas adicionales que encuentre
relacionadasconeltema.
Latcnicaquesepresentapuedeserllevada,conloslmitesdesuimaginaciny
susnecesidades,alatomadedecisionesenotroscamposdelaadministracin,la
investigacindelosfenmenosnaturales,algunoscasosdeproduccindebienes
oestudiossociales.
Literaturadeconsulta
AgenciaparaelDesarrolloInternacional.1971.ConferenciassobreMuestreo.
Cursosuplementarioparaunestudiodecasosobreencuestasycensos.
Versinenespaol.BureauofCensus.U.S.DepartmentofCommerce.
AmericanPsychologicalAssociation.1999.Electronicreferenceformats
recommendedbytheAmericanPsychologycalAssociation.(1999,
November19).Washington,DC.RetrievedNovember3,2000from:
http://www.apa.org/journals/webref.html
Campbell,StephenK.1990.EquvocosyFalaciasenlaInterpretacinde
Estadsticas.Primerareimpresin.Ed.Limusa.Mxico.
Cochran,WilliamC.1985.Tcnicasdemuestreo.Ed.CECSA.Mxico.
ColegiodepostgraduadosdeChapingo.1996.Guaparaautores.Agrociencia
30:4.601610pp.
Forns,M.,T.Kirchner,yM.Torres.(1991).Principalesmodelosdeevaluacin
psicolgica.L'estudid'enllopBarcelona.
GarcaSantos,Aguinaldo.1990.Muestreo.Apuntesparalamaestraen
ProductividaddelaUANEylaMaestraenEducacindelaU.A.deC.
Saltillo.
137
Gibaldi,Joseph,andWalterS.Achtert.MLAHandbookforWritersofResearch
Papers,3rded.NY:MLA,1988
Isebrands,J.G.yT.R.Crow.1975.Introductiontousesandinterpretationof
PrincipalComponentAnalysisinForestBiology.GeneraltechnicalReport.
USDAForestService.St.Paul,Minnesota.
Krejcie,R.V.andD.W.Morgan.1970.Determiningsamplesizeforresearch
activities.EducationalandPsychologicalMeasurement.30,607610pp.
Li,Xia,andNancyCrane.ElectronicStyle:AGuidetoCitingElectronic
Information.Westport:Meckler,1993.
Ludwig,JohnA.andJamesF.Reynolds.1988.StatisticalEcology.Aprimeron
methodsandcomputing.JohnWiley&Sons.NewYork.
Mendenhall,William.1982.Introduccinalaprobabilidadylaestadstica.
WadsworthInternacional/Iberoamrica.Belmont.
ModernLanguageAssociation(MLAonline).2002.AWriter'sPracticalGuideTo
MLADocumentation.http://ccc.commnet.edu/mla/practical_guide.htm.
MuozLpez,Temstocles.1999.Recomendacionesparaelaborarun
cuestionariodeinvestigacinoparaevaluacinencienciassociales.
PerfilesAo2,Nmero12.CoordinacinGeneraldeEstudiosdePostgrado
eInvestigacin.UniversidadAutnomadeCoahuila.Saltillo.
MuozLpez,Temstocles.2000.Apuntessobremuestreo.Perfiles.Ao3,
Nmero15.CoordinacinGeneraldeEstudiosdePosgradoe
Investigacin.UniversidadAutnomadeCoahuila.Saltillo.Artculo.
NCSS2000.1999.NCSSandPASSTrial.UsersGuide.Utah.
Pla,LauraE.1986.Anlisismultivariado:MtododecomponentesPrincipales.
Monografa.SecretaraGeneraldelaO.E.A.ProgramaRegionalde
DesarrolloCientficoyTecnolgico.Washington.
RojasSoriano,R.1982.GuapararealizarInvestigacionesSociales.Textos
Universitarios.UNAM.Mxico.
RomeroDvila,MaraAntonieta.1992.LacapacitacinenelIMSSDelegacin
Coahuila,conlatcnicadeAnlisisSistmicopormediodeConstelaciones
Correlacionales.TesisdeLicenciatura.Fac.deCienciasdelaEducaciny
Humanidades.U.A.deC.,Saltillo.
S.E.P.Coahuila.1985.ProgramaIntegraldeInvestigacinEducativa.Saltillo.
138
Selltiz,C.,L.S.WrightsmanyS.W.Cook.1980.Mtodosdeinvestigacinenlas
relacionessociales.EdicionesRIALP.Madrid.
Smith,PeterH.1981.LamovilidadpolticaenelMxicoContemporneo.In.
LecturasdepolticaMexicana.CentrodeEstudiosInternacionales.El
ColegiodeMxico.Mxico.
StatSoft,Inc.(1997).STATISTICAforWindows[Computerprogrammanual].
Tulsa,OK:StatSoft,Inc.,2300East14thStreet,Tulsa,OK74104,phone:
(918)7491119,fax:(918)7492217,email:info@statsoft.com,WEB:
http://www.statsoft.com
StatSoft,Inc.(2003).ElectronicTextbook.Glossary.
StatSoft,Inc.(2003).ElectronicTextbook.GraphicalTechniques.
Young,Robertk.yDonaldJ.Veldman.1981.Introduccinalaestadsticaaplicada
alascienciasdelaconducta.2edicin.Ed.Trillas.Mxico.
139

Diseño, Lectura y Representación de Gráficos

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Diseño, Lectura y Representación de Gráficos

Transféré par

Droits d'auteur :

Formats disponibles

Diseo,Lectur ay

APARTADOA. NORMASGENERALESDEICONOGRAFAESTADSTICA ....... 9

APARTADOB. GENERACINYUSODEGRFICOSCOMUNES ..................... 31

VIII. MATRIZDEDIAGRAMASDEDISPERSIN ............................................................ 52

APARTADOC. TPICOSSELECTOSDE TCNICASGRFICASANALTICAS

APARTADOD. DIAGRAMASCORRELACIONALES........................................... 114

En la vida del hombre la simbologa juega un papel muy importante, tanto en el

Todo signo o smbolo encierra informacin que es evidente solamente para

En sulibro sobrela manipulacin de la ciencia, PierreThuillier (1975) indica que

Las comunidades acadmicas y profesionales tambin utilizan un sistema de

Es decir, estas comunidades aceptan que en su conjunto pertenecen a una

En el lmite de la creatividad grfica cientficamente aceptable, las

Grfico, ca. Grafo. m. Ling. Unidad abstracta que comprende el conjunto de

En un diccionario mdico biolgico encontramos que Graph, segn Francisco

La palabra "icono" en sus diversas acepciones procede del griegoeikneiknos

Esquema. (Del lat. schema, y este del gr. , figura). m. Representacin

Semitica. (Del gr. ). f. semiologa (estudio de los signos en la vida

cantidades y las operaciones que se han de ejecutar con ellas. || natural. m. El

Smbolo. (Del lat. simblum, y este del gr. oo). m. Representacin

Sintctico, ca. (Del gr. ). adj. Gram. Perteneciente o relativo a la

Sintaxis. (Del lat. syntaxis, y este del gr. , de , coordinar). f.

Importancia. Denotando lo relevante o sustantivo contra lo adjetivo de lo

Esttica. Referida a una presentacin atractiva, que invite al lector a

Equilibrio. Cuidando la distribucin de las concentraciones de objetos,

Los epgrafes, referencias cruzadas, fuentes y colores tienen regulaciones

Los rtulos explicativos, descriptivos o de referencia del cuadro, figura, tabla,

Cada variable o concepto se identifica con su nombre y unidades. Reduzca las

a) Para indicar niveles de significancia estadstica y su simbologa de

b) Para dar informacin complementaria como llamadas al ttulo, a los

particulariza se escribe con mayscula, seguido del nmero. Obsrvese tambin

Adems de los puntos anteriores, los autores tendrn especial cuidado en no

Los cuadros se emplean para clarificar el texto, cuando se presentan nombres o

uso constituye un ahorro importante de espacio. Son claros, simples y concisos.

Las tablas son concentrados de datos numricos ordenados matricialmente para

Las figuras y otras representaciones como dibujos, grficas, diagramas y

En una figura lo que interesa destacar es el contenido y no los ejes.

Nunca comience un apartado, ya sea captulo (ttulo de primer orden) o ttulode

No empiece una frase o prrafo con un numeral. Cambie la frase o escriba la

Cuando se trate de nmeros grandes en el texto, procure redondear la cifra y

Las ecuaciones que expresan las derivaciones matemticas de una frmula,

Se recomienda el uso de potencias fraccionarias (0.5, 0.33) en vez de races

Las potencias de e se expresan mejor como exp (abreviatura de la funcin

En el caso de las frmulas qumicas, la carga de los iones se expresa como lo

de tal forma que es conveniente que el investigador est pendiente de sus

Las representaciones de datos o dibujos descriptivos pueden clasificarse

No todas las matrices o tablas requieren ser incluidas en la investigacin o el

Correlacionescannicasdelasvariablesdelacohorte16significativasap .01N=69yunar 0.31

Las polticas de desarrollo agrcola relacionadas con los factores de la

Coherenciaecolgica Cientficay Investigacinderecur

EstabilidadSocio Estructurade Reformaagraria.

Complejidadinfra Obraspblicas. Riegoydrenaje.

Estabilidadecon Comercializacin. Capacidaddecompra.

Incertidumbrey Financiera. Fondosderubrosespe

Se consideran similares: Tablas de resultados estadsticos, Tablas comparativas

Se consideran similares: Dendrogramas, Rutas, Secuencias, Correlacionales,

Se consideran similares: Histogramas, Grficas de cajas, Grficas de puntos,

Las literales, smbolos especiales y smbolos internacionales se permiten en la

Se ha seleccionado cuidadosamente el material de los programas NCSS y

Antes de comenzar con la elaboracin de grficos es conveniente conocer el

1) Frmula de Sturges para el nmero de clases (Forns, M., T. Kirchner, y M.

esquema o grfico. Por la definicin directa de histograma se toma grfico de

A veces no se puede comprender un conjunto grande de observaciones

El histograma se utiliza extensamente y necesitapoca explicacin. Sinembargo,

muchas innovaciones. Una de las tcnicas ms nuevas y populares de la