Estadstica Aplicada

Tema IV

Estadstica
Aplicada
TEMA IV. Descripcin estadstica de variables.
Diagramas de caja. Transformaciones de los datos. Distribuciones de
frecuencias multivariantes. Medidas de dependencia lineal. Rectas de
regresin.

OBJETIVOS GENERALES.
En este tema continua y termina la explicacin de los contenidos de estadstica descriptiva.
OBJETIVOS ESPECFCOS.
1) Entender el significado de un diagrama de caja.
2) Aprender a construir un diagrama de caja.
3) Entender las razones que justifican la transformacin de los datos.
4) Entender el efecto que las transformaciones lineales tienen en los resultados de
las medidas estadsticas.
5) Obtener con las medidas estadsticas resultantes de la transformacin lineal de
los datos, las correspondientes a los datos originales.
6) Comprender el efecto de las diversas transformaciones no lineales.
7) Conocer las caractersticas fundamentales del anlisis descriptivo multivariante.
8) Comprender el significado de las medidas de dependencia y como se obtienen.
9) Entender el significado correcto de una recta de regresin.

METODOLOGA Y ACTIVIDADES.
Como siempre en fichero de PowerPoint tienes una explicacin resumida del tema. En las pginas de
este texto se ofrece un detalle mayor, que tal vez te facilite su estudio.
Es recomendable un repaso de alguno de los textos de la bibliografa que se cita, donde puedes
obtener explicaciones ms detalladas y un mayor desarrollo del material.
No olvides realizar los ejercicios propuestos y el cuestionario de autoevaluacin.

BIBLIOGRAFA.

PEA, D., 1994. Estadstica. Modelos y mtodos 1. Fundamentos. Alianza Editorial, pp.64-69, 79-82.
NEWBOLD, P., 1997. Estadstica para los negocios y la economa. Prentice Hall, pp.48-50.

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Estadstica Aplicada

Tema IV

1. Diagramas de caja. (OE)

Un diagrama de caja es una herramienta muy til para el estudio de la homogeneidad de los
datos de una distribucin.
En el ejemplo que se muestra vemos los resultados de anlisis foliar del calcio en unos
viedos, para plantaciones de diferente edad en tres campaas distintas.

Anlisis foliar D.O. Cigales

Hoja completa en envero
4,5

calcio %

4,0

3,5

3,0

edad plantacin
2,5
Vieja
2,0

Joven
1.997

1.998

1.999

ao de la muestra

El cuerpo de cada caja nos muestra los tres cuartiles de la distribucin de los datos y las
patillas llegan hasta el menor y el mayor de los datos no atpicos (segn sea por debajo o
por arriba). Los datos atpicos se representan como crculos o estrellas.
Para entender el significado del diagrama de caja es til imaginar que representa algo as
como el histograma de los datos a vista de pjaro. Las colas del histograma corresponderan
a las patillas y los atpicos, mientras que su cuerpo central lo dara la caja. De esta manera
es fcil tambin juzgar la posible asimetra de la distribucin.
Los diagramas de caja se emplean muchas veces para mostrar el comportamiento de una
determinada variable en distintas subpoblaciones (edad y ao, en el ejemplo).
En definitiva podemos resumir sus principales caractersticas en los siguientes aspectos:
Es una representacin semigrfica de los datos.
til para detectar valores atpicos.
til para comparar una variable en distintas poblaciones
Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Estadstica Aplicada

Tema IV

La construccin del diagrama de caja incluye estos pasos:

1) Obtener los tres cuartiles de la distribucin de los datos.
2) Dibujar la caja, desde Q1 a Q3, sealando la mediana Q2.
3) Obtener los lmites que servirn para identificar los atpicos.
L i = Q1 1,5 (Q3 Q1)
L s = Q3 + 1,5 (Q3 Q1)
4) Se consideran no atpicos todos los valores dentro del rango de L i
a L s y atpicos los valores fuera de ese rango.
5) Se dibujan las patillas desde el centro de cada extremo de la caja
hasta el valor ms alejado no atpico.
6) Se dibujan los atpicos que existan.
A continuacin veremos un ejemplo. Se pide que construyamos el diagrama de caja
correspondiente a los datos 10, 0, 12, 55, 15, 14
1) Obtenemos los cuartiles.
Previamente, procedemos a ordenar los datos: 0, 10, 12, 14, 15, 55
Posicion en la lista

Valor terico (por interpolacin)

(6 1) 1
1,75
Q1 = 7,5
4
(6 1) 2
3,5
Segundo cuartil :
Q2 = 13
4
(6 1) 3
5,25
Tercer cuartil:
Q3 = 25
4
Con esos valores ya se podra dibujar la caja.
Primer cuartil :

2) Obtenemos los lmites de los valores no atpicos.

L i = 7,5 - 1,5 (25 - 7,5) = -18,75
L s = 25 + 1,5 (25 - 7,5) = 51,25
3) Dibujamos el grfico. Horizontalmente en este caso por razones de espacio.
Q1

Q2

Q3
55

10

20

30

40

50

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Estadstica Aplicada

Tema IV

(ejercicio)

2. Transformaciones de los datos. (OE)

Es frecuente en estadstica recurrir a la transformacin de los datos una vez ya han sido
recogidos. Las razones son diversas: en unos casos para poder manejar cifras numricas
menos engorrosas; en otros para poder aplicar determinadas tcnicas estadsticas.
Las transformaciones posibles de los datos se clasifican en dos categoras:
Transformaciones lineales. Suponen sumar y/o multiplicar por unas constantes los
valores de los datos originales. El propsito es obtener unas cifras numricas ms
cmodas de operar. Ejemplo: los datos de estatura de un conjunto de personas,
que estaban en metros, pasarlos a centmetros multiplicando por 100 (se evitan as
los decimales).
Transformaciones no lineales. En esta clase de transformaciones, que luego
veremos, lo que se pretende es mejorar la simetra del conjunto de la distribucin
de los datos. Y ello porque la aplicacin de determinadas tcnicas de inferencia as
lo requiere, como en su momento explicaremos.
Como se ha dicho, las transformaciones lineales slo implican sumar y/o multiplicar por unas
constante. Si designamos mediante x el valor del dato original y mediante y el valor de
ese dato una vez transformado, observemos que la operacin se puede describir as:
Dato original

Dato transformado

y = a + b x

Donde a y b representan las constantes que sumamos y multiplicamos a los datos

originales. Por ejemplo, pasar los datos de metros a centmetros supondra utilizar las
constantes a = 0 y b = 100.
Estas transformaciones lineales afectan a los resultados de las medidas estadsticas
obtenidas. En la siguiente tabla vemos la relacin entre unas y otras.

Datos originales
Media aritmtica

Datos transformados
y a bx

Mediana

Me (x)

Me (y) = a + bMe (x)

Cuartiles

Q (x)

Q (y) = a + b Q (x)

Desviacin tpica

s (x)

s (y) = b s (x)

Varianza

s2 (x)

s2 (y) = b2 s2 (x)

CA (x)

CA (y) = CA (x)

Coeficiente asimetra

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Estadstica Aplicada

Tema IV

Coef. apuntamiento
CA p (x)
CA p (y) = CA p (x)
De acuerdo con la tabla anterior, la media aritmtica, la mediana y los cuartiles (y en general
los cuantiles) de los datos transformados, son esas mismas medidas de los datos originales
sumndoles y/o multiplicndoles las mismas constantes con las que habamos transformado
los datos.
En el caso de la desviacin tpica, es la misma desviacin tpica de los datos originales
multiplicada por la constante b que habamos utilizado (la constante a que sumamos no
afecta al resultado).
En el caso de la varianza, es la varianza de los datos originales multiplicada por la constante
b al cuadrado. La constante a no afecta al resultado.
Finalmente, en el caso de los coeficientes de asimetra y de apuntamiento, este tipo de
transformaciones no afecta a los resultados.
Conocida la relacin entre unas y otras es sencillo proceder a la inversa: una vez calculadas
las medidas estadsticas correspondientes a los datos transformados (ms fciles de
obtener), no habra dificultades para sacar las de los datos originales.
Ejemplo. Al trabajar con nuestro banco de datos de rendimientos en el cultivo del maiz, los
datos de cosechas obtenidas en la campaa (en toneladas) los hemos pasado a quintales
mtricos, multiplicando por 10. Adems hemos restado a esos resultados la cifra 100 para
que los nmeros fueran ms pequeos y cmodos de operar.
- Lo primero de todo es identificar las constantes empleadas.
En este caso, a = -100 y b = 10
- Supongamos que los resultados obtenidos, trabajando con los datos transformados,
hubieran sido los siguientes:
Media aritmtica = 13,2
Mediana = 10,8
Primer cuartil = 7,5
Tercer cuartil = 20

Desviacin tpica = 3,9

Varianza = 15,2
C. Asimetra = 0,7
C. Apuntamiento = 3,6

- Segn lo anterior, los resultados de esas medidas para los datos originales
(toneladas) seran:
Media aritmtica = 11,32
Mediana = 11,08
Primer cuartil = 10,75
Tercer cuartil = 12,0

Desviacin tpica = 0,39

Varianza = 0,152
C. Asimetra = 0,7
C. Apuntamiento = 3,6

13,2 = -100 + 10 x
luego x
s 2 ( x)

13,2100
11,32
10

15,2 = 102 s2(x)

luego

15,2
0,152
10 2

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Estadstica Aplicada

Tema IV

Comprueba tu mismo esos resultados para las restantes medidas.

La otra clase de transformaciones son las no lineales. Con ellas lo que se busca es mejorar
la simetra en la distribucin de los datos.
No explicaremos las relaciones existentes entre las medidas estadsticas de los datos
originales y las de los datos transformados (asunto ms complejo). As que presta slo
atencin al sentido de estas transformaciones (mejorar la simetra y poder utilizar despus
determinadas tcnicas inferenciales) y a conocer algunas de ellas.
Las ms importantes se resumen en el cuadro:
Distribucin original

Transformacin recomendable
y x2

Asimetra a la izquierda
Asimetra a la derecha (media)

Asimetra a la derecha (fuerte)

y ln x

Asimetra a la derecha (muy fuerte)

y 1

(cuadrado)
(raz cuadrada)
(logartmica)
(inversa)

La manera ms intuitiva de comprenderlo es a travs de un ejemplo. La figura siguiente

recoge el histograma de un estudio sobre los precios de la vivienda en Madrid.

Precios de la vivienda
Zona Centro 1.992
400

Frecuencia

300

200

100

Miles de ptas.
Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Estadstica Aplicada

Tema IV

Es evidente la asimetra hacia la derecha en el histograma de los datos originales. Por tanto
vamos a aplicar las transformaciones recomendadas. Comenzaremos con la transformacin
raz cuadrada. El nuevo histograma nos muestra el resultado:

Precios de la vivienda
Zona Centro 1.992

Frecuencia

300

200

100

Raiz cuadrada del precio

La mejora obtenida en cuanto a simetra es evidente. Sin embargo puede caber la duda
sobre si una transformacin ms enrgica no hubiera resultado mejor. Por ello, probamos a
continuacin con la transformacin logartmica.

Precios de la vivienda
Zona Centro 1.992

Frecuencia

300

200

100

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Logaritmo del precio

Estadstica Aplicada

Tema IV

Para confirmarlo sera recomendable obtener el coeficiente de asimetra. Pero, si hay que
juzgar por la impresin visual, parece que la transformacin raz cuadrada sera la mejor. La
logartmica parece corregir en exceso.
(autoevaluacin)

(ejercicio)

3. Distribuciones de frecuencias multivariantes.

(OE)

El estudio de las frecuencias multivariantes se caracteriza por considerar, simultneamente,

dos o ms variables a la vez. Por ejemplo, pesos, estaturas y edades, de un conjunto de
escolares.
En la estadstica descriptiva que hasta ahora habamos visto las variables se estudiaban una
a una y por separado (anlisis univariante).
Cuando son dos las variables que estudiamos conjuntamente (anlisis bivariante) es posible
su representacin grfica. Este es el primer paso que conviene para su anlisis. La figura
resultante se llama diagrama de dispersin.
100

P E S O E N K IL O S

90

80

70

60

yi

50

40
150

xi

160

170

180

190

ESTATURA EN CM

Observemos la figura. El conjunto de puntos u observaciones representados constituye la

llamada nube de puntos. La recta de color rojo es la llamada recta de regresin.
En el grfico se ha representado tambin el valor de la media, en una y otra variable, para el
conjunto de las observaciones. Observa como pasa por el centro de todos los valores,
horizontal y verticalmente.
Tambin vemos las coordenadas de una observacin simblica, la observacin i.

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Estadstica Aplicada

Tema IV

4. Medidas de dependencia lineal. (OE)

En este apartado vamos a ver de que medidas analticas disponemos para el estudio
bivariante de los datos.
Nos interesa una medida o indicador que exprese, mediante una cifra, el grado de
asociacin o dependencia entre las dos variables representadas y el sentido de esa
dependencia.
Para ello se puede emplear la covarianza. La frmula de clculo de esta medida viene dada
por:
n

Cov ( x, y )

xi x y i y
i 1

x y
i 1

n x y
n

La mejor forma de entender su significado es relacionndolo con la figura de la pregunta

anterior. Las medias representadas de los datos determinan, grficamente, cuatro zonas o
cuadrantes que identificaremos como cuadrantes I, II, III y IV.

100

P E S O E N K IL O S

90

II

80

70

III

60

I
V

yi

50

40
150

xi

160

170

180

190

ESTATURA EN CM

En todos los puntos situados en los cuadrantes I y III los productos cruzados de la frmula
de la covarianza que se incluyen en el sumatorio, tienen signo positivo (pues resultan de
multiplicar un nmero positivo por otro positivo, o bien un nmero negativo por otro tambin
negativo).
Por el contrario, en todos los puntos de los cuadrantes II y IV esos mismos productos son
negativos (resultan de multiplicar un nmero negativo por otro positivo, o bien un nmero
positivo por otro negativo).

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

Estadstica Aplicada

Tema IV

En consecuencia, si la mayora de las observaciones representadas en la nube de puntos

estn incluidas en los cuadrantes I y III, el sumatorio del numerador de la frmula de la
covarianza presentar valor positivo y la covarianza tambin. Habr, en tales casos, una
dependencia lineal positiva entre las variables y al aumentar una de ellas tambin lo har la
otra.
Por el contrario cuando la mayora de las observaciones se encuentren en los cuadrantes II
y IV, el sumatorio de la frmula tendr valor negativo, igual que la covarianza. Existir en
tales casos una dependencia lineal negativa y al aumentar una de las variables la otra
tender a disminuir.
Por tanto el signo del coeficiente de covarianza expresa el sentido de la dependencia entre
las variables. Es tambin intuitivo percibir que cuanto ms repartidas se presenten las
observaciones entre los cuadrantes ms prximo a cero ser el valor absoluto de este
coeficiente (al compensarse los productos positivos con los negativos). Y en tal caso no
estar claro que exista una dependencia en algn sentido entre las variables.
El problema de la covarianza es que sus resultados, en valor absoluto, dependen de las
unidades que se utilicen para medir las variables.
En el ejemplo del grfico se mide la estatura en cm y el peso en kg. Qu efecto tendra en
los resultados medir la estatura en metros y el peso en gramos? Sencillamente, el resultado
de la frmula quedara multiplicado por diez. Sabras explicar por qu?
Por ello el valor absoluto obtenido con el coeficiente de covarianza no es un indicador muy
adecuado para medir la intensidad del grado de asociacin o dependencia entre las
variables. Antes de seguir, recordemos las caractersticas principales de esta medida:
Mide el sentido de la relacin lineal entre las variables:
Cov (x, y) < 0 Relacin lineal negativa.
Cov (x, y) 0 Ausencia de relacin lineal.
Cov (x, y) > 0 Relacin lineal positiva.
Su valor absoluto depende de las unidades empleadas.
Estas caractersticas explican por que para medir la dependencia o relacin lineal entre dos
variables se emplee ms otra medida, relacionada con la covarianza, pero que mejora sus
defectos: el coeficiente de correlacin.
La frmula de clculo es la siguiente:

Cov ( x, y )
sx s y

Como se divide entre la desviacin tpica de una y otra variable el resultado es

adimensional, esto es carece de unidades. Por tanto da lo mismo que la variable x se mida
en centmetros y la y en kilos, o que, por el contrario, se haga en metros y gramos,
respectivamente. El resultado numrico sera el mismo.

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

10

Estadstica Aplicada

Tema IV

Adems, los resultados numricos se encuentran siempre comprendidos entre +1 y -1.

Tanto ms prximos a la unidad cuanto ms intenso sea el grado de dependencia o relacin
entre las variables. As pues, recordando lo que se dijo acerca de la covarianza (que
aparece en el numerador de la frmula), tenemos que el coeficiente de correlacin:

Mide el sentido y la intensidad de la relacin lineal entre las variables:

-1 r 0 Relacin lineal negativa.
r 0 Ausencia de relacin lineal.
0 < r 1 Relacin lineal positiva.
Es una medida adimensional (no depende de las unidades).

Vemos algunos ejemplos.

Comunidades Autnomas 1.992

Relacin velocidad/potencia (todoterrenos)

200

Relacin PIB/ocupacin agraria

2200

180

r = 0,46

1800

Velocidad mxima

PIB "per cpita"

2000

1600
1400

160

r = 0,68
140

1200
120
1000
800

100
0

10

20

30

40

50

50

Poblacin activa agraria (%)

(autoevaluacin)

100

150

200

250

Potencia (CV)

(ejercicio)

5. Recta de regresin. (OE)

Recta de regresin es la recta que ajustamos al conjunto de observaciones que constituyen
la nube de puntos del diagrama de dispersin.
Existe un mtodo estadstico que suele emplearse casi siempre para obtener la ecuacin de
la recta con "mejor ajuste" a las observaciones. Sin embargo, ese procedimiento lo
estudiaremos en un tema posterior. Aqu nos limitaremos a contemplar diversos ejemplos del
resultado obtenido mediante tal mtodo de ajuste.

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

11

Estadstica Aplicada

Tema IV

Precios de la vivienda y valor del terreno.

Precio de la vivienda (miles de ptas.)

60.000

50.000

40.000

30.000

20.000

10.000

0
0

3.000

6.000

9.000

12.000

15.000

18.000

Valor del solar (miles de ptas.)

En el ejemplo del grfico, la recta de regresin (de color azul) pasa por el centro de
gravedad de la nube de puntos, delimitado por la media de una y otra variable. En este caso
entre ambas variables existe una relacin o dependencia lineal positiva.
En este otro ejemplo la relacin lineal entre las variables es, por el contrario, negativa.

Relacin peso-aceleracin
Aceleracin 0 a 100 km/h (segundos)

30

25

20

15

10

0
400

600

800

1000

1200

1400

1600

1800

Peso total (kg)

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

12

Estadstica Aplicada

Tema IV

Relacin W/L en trigos blandos de otoo

300

Valor W (fuerza)

250

200

150

100

50
0
40

60

80

100

120

140

160

Valor L (extensibilidad)

En este tercer caso la relacin o dependencia lineal es muy dbil. Obsrvese el reparto de
los puntos en los cuatro cuadrantes y su separacin respecto a la recta de regresin
ajustada.

Tasa de mortalidad (por 1.000 habitantes)

Relacin entre tasas de natalidad y mortalidad

30

20

10

0
0

10

20

30

40

50

60

Tasa de natalidad (por 1.000 habitantes)

Finalmente conviene observar que no siempre una recta es la funcin que mejor se ajusta a
las observaciones de la nube de puntos. En el ejemplo de la figura, tanto la covarianza como
el coeficiente de correlacin lineal indicaran ausencia o muy dbil dependencia lineal. Sin
embargo esto no implica independencia: simplemente sucede que la relacin no es lineal.

AAAA(autoevaluacin)
Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

13

Estadstica Aplicada

Tema IV

Ejercicios de autoevaluacin.

1) Indica si es verdadera [V] o falsa [F] cada una de las afirmaciones siguientes:
[
[
[
[
[

] Las transformaciones lineales sirven para mejorar la simetra de algunas distribuciones.

] Las transformaciones lineales pueden modificar el valor de la varianza.
] La transformacin logartmica es una transformacin no lineal.
] La suma de una constante al valor de los datos originales no modifica su varianza..
] Si el valor original de los datos se divide entre 10 la varianza resulta 100 veces menor.

2) Cul de las siguientes afirmaciones es verdadera?

[ ] El signo de la covarianza entre dos variables depende del signo de las desviaciones
tpicas de una y otra.
[ ] La covarianza no est afectada por las unidades que se emplean para medir las
variables.
[ ] Una covarianza nula no indica ausencia de todo tipo de relacin entre las variables.
[ ] El signo de la covarianza indica la intensidad de la relacin entre las variables.

3) Una de las siguientes afirmaciones acerca del coeficiente de correlacin lineal es falsa. Cul?
[
[
[
[

] Si r = 0,9 la dependencia lineal es positiva y fuerte.

] Si r = 0,8 la dependencia lineal es dbil.
] Si r = 0 no hay correlacin lineal.
] El signo de la covarianza y el de r siempre coinciden.

4) Indica el tipo de relacin entre variables que corresponde, o cabe esperar, en los siguientes
casos:
[ 1 ] : relacin lineal positiva
[ 3 ] : ausencia de relacin
[
[
[
[
[
[
[
[

[ 2 ] : relacin lineal negativa

[ 4 ] : ausencia de relacin lineal

] ndice de agilidad fsica y edad de los individuos.

] Consumo de refrescos y temperaturas del mes de agosto
] Cosecha de patata en una comarca y precios pagados al agricultor.
] Nmero de mdicos en un pas y tasa de mortalidad infantil.
] Puntuaciones obtenidas respectivamente al lanzar un par de dados.
] Superficie y longitud del permetro de parcelas cuadradas de terreno.
] Volumen de precipitaciones en primavera y cosecha de cereales en secano.
] Tiempo empleado en arar una parcela y potencia del tractor utilizado.

Ejercicios.
1) Construye el diagrama de caja de la distribucin constituida por los siguientes datos:
5, 3, 1, 7, 11.

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

14

Estadstica Aplicada

Tema IV

2) En una empresa se estudia subir el sueldo de sus empleados. Se barajan tres posibilidades:
A) Subida lineal e idntica para todos los empleados de 1.000 euros anuales.
B) Subida porcentual idntica para todos los empleados de un 5%
C) Subida lineal de 500 euros anuales combinada con otra porcentual del 3%
Analiza el efecto de cada una de esas medidas por separado, en trminos del sueldo
medio(media y mediana de los salarios pagados) y en trminos de la dispersin o variabilidad
de los salarios (desviacin tpica y coeficiente de variacin).

3) En un estudio en el que se manejaban datos de peso (kg) y estatura (metros) correspondientes a

23 individuos, se procedi a una transformacin de esas variables originales (PESO y ALTURA)
de acuerdo con las siguientes reglas:
PESOT = PESO 40
ALTURAT = (ALTURA 100) 150
Con los datos que aparecen en la tabla siguiente completa los espacios de las columnas en blanco.
PESO

PESOT

Media aritmtica
Cuasidesviacin tpica
Coeficiente de variacin
Valor mnimo
Primer cuartil
Mediana
Tercer cuartil
Valor mximo
Varianza muestral
Coeficiente de asimetra
Coeficiente de apuntamiento

ALTURA

ALTURAT

29,087
11,098
0,3816
4
23
30
35
55
117,82
- 0,0060
0,4254

25,043
8,5306
0,3406
9
20
26
33
40
69,607
- 0,1759
- 0,7922

4) El nmero de bacterias por unidad de volumen, presentes en un cultivo de laboratorio al cabo de

cierto nmero de horas, viene indicado en la tabla:
N de horas
transcurridas
N de bacterias
segn conteo

12

19

23

34

54

62

A) Calcula la media y las desviaciones tpicas de las variables.

B) Calcula la covarianza entre las variables.
C) Calcula e interpreta el coeficiente de correlacin.

Escuela Universitaria de Ingeniera Tcnica Agrcola I.N.E.A. (U. Valladolid)

15