Professional Documents
Culture Documents
UNA INDEPENDIENTE?
8/5/2013
234 Comentarios
Variable independiente: se conceptualiza como la causa (variable independiente) o razón del fenómeno a
investigar. En la imagen se puede apreciar; la inadecuada organización del tiempo, carencia de apoyo
académico, situación institucional e inoperantes instituciones educativas; traen como consecuencia (variable
dependiente); deserción escolar de los jugadores de futbol.
Otro Ejemplo: “Existe una falta de oportunidades de trabajo asociada a un bajo nivel educativo de los
ciudadanos que viven en algunos de los países en vías de desarrollo.(variable dependiente)”; es el efecto o
consecuencia que se genera en la manipulación de la variable independiente; “pobreza, elevados índices de
criminalidad y un mínimo desarrollo económico, son los efectos (variable independiente) del desempleo y los
bajos niveles educativos”.
20 EJEMPLOS FÁCILES DE
HIPÓTESIS
Se reconoce como hipótesis, en el proceso de investigación científica, a la idea que se
plantea y se propone ser comprobada mediante la experimentación. La hipótesis
es uno de los primeros momentos del proceso creativo del cientista, pero es también el más
importante: es el eje sobre el cual se direcciona el proceso investigativo, y por lo tanto sin él
sería imposible consagrar un buen investigador.
Por supuesto que también una correcta experimentación es indispensable para obtener
buenos resultados, pero quien no posee los conocimientos (y la experiencia, fundamental
para esta cuestión) como para elaborar buenas hipótesis, difícilmente sea un distinguido
científico.
Características de la hipótesis
La relación dada por la hipótesis debe cumplir la condición de ser verosímil, de modo tal que
la secuencia de experimentos no pueda producir una relación que en realidad no es verdadera. La
hipótesis será verdadera en la medida que se cumpla, y será conocimiento científico si puede
generalizarse para todo momento y lugar, explicitados los supuestos o las condiciones de aplicación.
Así las cosas, la siguiente lista incluirá veinte ejemplos de hipótesis. Las primeras diez serán
hipótesis de carácter científico, mientras que las segundas serán conjeturas habituales que se
plantean como hipótesis.
2. Las sociedades con menos conflictividad social, son al mismo tiempo las sociedades con
mayor tendencia al suicido y la depresión.
3. Los automóviles de la actualidad consumen 20% más de energía que los de hace veinte
años.
8. Los sistemas políticos más estables son los que tienen gobernantes más duros y rígidos.
9. Una reducción de los subsidios generará una contracción económica del 4%.
10. Un cuerpo total o parcialmente sumergido en un fluido estático, será empujado con una
fuerza igual al peso del volumen de fluido desplazado por dicho objeto.
12. Muchos guitarristas son buenos, pero no creo que nadie toque tan rápido como lo hizo él.
16. Creemos que usted es insolvente, así que no le podemos prestar más dinero.
17. La fiscalía cree que el cocinero envenenó a la ex esposa, aplicándole una destructiva
solución en su té de la tarde.
18. El tren no está pasando más, seguro no pasará hasta la próxima campaña política.
20. No veo a mi gata hace meses, mi hipótesis es que se ha perdido por el vecindario.
Por ser una hipótesis se puede considerar como parte del método científico, pero la
hipótesis cambia dependiendo de la premisa inicial, su concepto y el manejo que de
él se de.
11. Por el mal manejo del erario y alza del precio de los vehículos, la gente pobre no
tendrá un vehículo nuevo.
13. Con una mascota felina, los ratones dejarán de consumir mis quesos.
14. Una mala administración pública, ayuda a que el pueblo caiga más.
15. En un computador nuevo, la velocidad del internet ayudará en mi trabajo.
16. Ante más costo en la vida diaria, menos apoyo habrá para los gobernantes.
17. Cuanto más eleve el precio del alimento, menos probable será que tengas un
automóvil.
19. Por los zapatos tenis que comprarán, es mejor en sus entrenamientos.
20. Si quieres bajar de peso, hacer ejercicio y dejar de tomar malteadas es un buen
inicio.
23. Buena música y meditación, consiguen una sociedad calmada, limpia y sobria.
24. Un hombre siempre se distingue por su vestimenta, lo que hace que tu traje gris
sea muy importante.
25. La caída del cabello es natural, el cepillo tiene mucha ayuda en su cuidado.
26. Un buen cuaderno y una buena pluma, son lo necesario para un buen estudio.
3. INCERTIDUMBRE Y RIESGO
3.1 Tipos de incertidumbre
3.2 Estimación de la incertidumbre y del riesgo
3.3 Asesoramiento a los administradores sobre incertidumbre y riesgo
Hay varias fuentes de incertidumbre en el cálculo de los puntos de referencia y en la evaluación del
estado de las poblaciones con respecto a estos puntos de referencia. Cinco tipos de incertidumbre,
que emergen de un conocimiento impreciso del estado de la naturaleza, son (Rosenberg y Restrepo,
1992):
- Incertidumbre en la medición, es el error en las cantidades observadas tales como la captura o los
parámetros biológicos;
Noté que las fuentes de incertidumbre incluyen no sólo el error estadístico en detectar el estado de la
población y las tendencias ambientales, o a los errores en el análisis poblacional, sino también a las
decisiones erróneas y un marco de ordenación ineficiente; asuntos que se tratan posteriormente en
este trabajo.
Mientras que una prospección de pesca, con una embarcación estándar y un diseño aleatorizado,
puede proporcionar estimaciones objetivas o un índice del tamaño de la población que son menos
propensos a riesgos que los datos de captura, las estimaciones resultantes de la prospección
también tienen una varianza significativa (Doubleday y Rivard, 1981). La varianza asociada con las
prospecciones acústicas es también considerable (Simmonds et al., 1992) La tabla 4 incluye algunas
estimaciones del rango de errores probables en algunas de las variables poblacionales para
poblaciones de peces bien estudiadas.
La variabilidad natural asociada a los sistemas de producción de peces puede ser enorme. La
variabilidad ambiental, la fuente más grande de errores en el proceso, usualmente se manifiesta
como variabilidad en el reclutamiento (Hennemuth et al., 1980). En poblaciones de vida corta, esto
puede resultar en fluctuaciones dramáticas en la biomasa de los adultos (Lluch-Belda et al., 1989)
Aunque pueden haber relaciones y patrones que pueden modelarse estadísticamente para
proporcionar alguna explicación de eventos anteriores, ha habido poco éxito en predecir, con
suficiente anticipación, las condiciones ambientales o las respuestas de las poblaciones de peces y
que sean útiles para la ordenación (Walters y Collie, 1988). De esta manera, a menudo la variabilidad
ambiental se considera completamente estocástica y, usualmente, el enfoque más apropiado es
medir directamente sus efectos sobre las poblaciones de peces mediante prospecciones de los pre-
reclutas (Bradford, 1992).
Además de la variabilidad a una escala de tiempo inter-anual, también hay cambios ambientales que
abarcan décadas e incluso sobre escalas de tiempo más largas, las cuales afecten la abundancia de
la población, su distribución y localización en formas que son difíciles de medir y mucho menos de
predecir (Murawski, 1993)
Generalmente se acepta que las poblaciones de peces llegan a ser más susceptibles a la variabilidad
ambiental en la medida en que se incrementa la explotación. De esta forma, hay un efecto directo de
la ordenación en la incertidumbre y la reducción de la incertidumbre puede ser, en si misma, un
objetivo de la ordenación.
Los errores de los modelos raramente son evaluados, debido a que los datos requeridos para
distinguir entre los diferentes modelos no están disponibles. Los estudios sobre el desempeño
relativo de varias formulaciones de modelos, e.g. los modelos de producción de Schaeffer y Fox,
sugieren que éstos pueden proporcionar resultados sustancialmente diferentes usando el mismo
conjunto de datos. De hecho, el mismo modelo puede dar resultados bastante distintos dependiendo
de la estructura de error asumida (Polancheck et al., 1993). Otros ejemplos de errores potenciales en
los modelos de evaluación de poblaciones incluyen los modelos utilizados para calibrar índices de
abundancia (e.g. ajuste o sintonización del APV), el uso de valores convencionales constantes para
la mortalidad natural y el establecimiento de valores de F para los peces jóvenes como una función
de estos propios valores en los individuos más viejos.
El error en el modelo puede examinarse, en algún grado, utilizando varios modelos para evaluar el
mismo recurso aunque, en la práctica, los datos y experiencia requeridos para un enfoque de
multimodelos raramente existen. Sin embargo, en aquellos casos en que se ha intentado, a menudo
se han encontrado diferencias sustanciales, por ejemplo, en el caso del atún de aleta azul del
Atlántico Occidental, tres métodos dieron estimados del MRS de 3942, 5530 y 6755 tm/año (ICCAT,
1994).
Debido a la naturaleza secuencial de las evaluaciones, los errores en la estimación ocurren en varias
etapas y se propagan a través del proceso. Ellos pueden verse como el resultado combinado de los
tres tipos de errores bosquejados anteriormente. Aunque en el pasado, los estimados explícitos de la
exactitud eran raros, ahora han llegado a ser más comunes en la literatura. En la tabla 4 se
presentan algunos estimados del orden probable del error para las cantidades comúnmente
utilizadas en la evaluación del estado de las poblaciones de pesquerías costeras. La generalidad de
estos ejemplos puede ser cuestionable, pero probablemente están subestimadas en el caso de las
poblaciones de peces pelágicos y grandes pelágicos.
Los intentos para cuantificar los errores en la estimación utilizan la variabilidad estimada en los
valores de los parámetros medidos. Es importante notar, sin embargo, que varios procedimientos
utilizan entradas asumidas o sin mediciones, para las cuales no hay información sobre la variabilidad.
El más significativo de estos parámetros de entrada asumidos es la mortalidad natural, la cual
raramente se mide o es fácilmente medible. Un análisis reciente del eglefino en tres subáreas del
Mar del Norte proporcionó estimaciones de M que varían desde 0.37 hasta 0.53, considerablemente
más altos que el valor convencional de 0.2 que se utiliza para las poblaciones demersales del
Atlántico Norte (Jones y Shanks, 1990).
Los errores en la estimación que resultan de sesgos o de tendencias en las variables de entrada
pueden ser muy difíciles de detectar o de describir. Un ejemplo dramático es el error sistemático en la
estimación de la abundancia poblacional utilizando métodos de análisis secuencial de poblaciones
(análisis de población virtual y análisis de cohortes). Estos errores solamente fueron detectados
cuando los científicos realizaron un análisis retrospectivo, varios años después de que los estimados
poblacionales habían sido utilizados para suministrar asesoría para la ordenación. Esto sólo pudo
hacerse mediante la comparación de los estimados poblacionales para cohortes que hubieran
pasado casi completamente a través de la pesquería (cohortes para las cuales los análisis
secuenciales de poblaciones, ASP, convergieron y para los cuales los estimados son poco afectados
por los valores de entrada de F para los años más recientes), con las estimaciones de aquellas
cohortes en el momento en que acababan de entrar a la pesquería. Fueron detectadas diferencias
sustanciales entre las dos estimaciones, algunas veces diferencias de un orden de magnitud o más.
Debido a la complejidad del proceso de evaluación, las causas de las diferencias encontradas por el
análisis retrospectivo fueron extremadamente difíciles de evaluar y, todavía, no están bien
comprendidas. Estas se han atribuido indistintamente a reportes erróneos de capturas, a tendencias
en la capturabilidad, al supuesto de una mortalidad natural constante a través de todos los grupos de
edad y a los supuestos concernientes al reclutamiento parcial (la susceptibilidad a la explotación) a
diferentes edades (Sinclair et al., 1990; Parma, 1993). Sinclair et al. (1990) concluyó que "los
estimados del tamaño de la población a partir de la convergencia del ASP no necesariamente
representan el verdadero tamaño de la población para aquellos años", dejando así dudas
considerables en cuanto a la validez de una metodología que ha sido una piedra angular en la
evaluación de poblaciones en muchas partes desarrolladas del mundo.
Los valores de la tabla 4 muestran claramente que el tamaño actual de la población y la mortalidad
por pesca se conocen con una precisión relativamente baja para la mayor parte de las pesquerías,
aunque con los análisis retrospectivos, particularmente el APV, las estimaciones anteriores pueden
mejorarse algo. La captura total puede parecer una cantidad conocida con una precisión más alta
que otras variables, pero a menudo sufre de sesgos altos o desconocidos debido a los descartes y a
los reportes erróneos, particularmente si la ordenación es a través de cuotas. Las estimaciones de la
biomasa mediante prospecciones tienen, típicamente, una alta varianza, pero pueden estar menos
sesgados y mejorarse con mayor investigación. En todos los casos, la magnitud relativa del cambio
de año a año será conocida con mejor precisión que el valor absoluto.
"EN AUSENCIA DE INFORMACION PRECISA, PUEDE SER NECESARIO ESTABLECER OBJETIVOS
SENSATAMENTE PRUDENTES"
Anon., 1991
La simulación de Monte Carlo requiere de más estadística que la técnica de "bootstrap", ya que
requiere conocer la distribución del error de los parámetros de entrada. Rice (1993) sugiere que los
métodos de estimación de la densidad no-paramétricos (Silverman, 1986) también pueden ser
aplicables, particularmente en los casos donde hay dudas sobre el grado en que los modelos
especifican erróneamente la relación funcional entre pares de variables históricas, e.g. entre la
biomasa de la población desovante y el reclutamiento.
La información sobre la variabilidad en las entradas de los modelos ha sido utilizada para evaluar el
riesgo de dos maneras. Primero, ha sido utilizada para simular la respuesta de la población a varias
estrategias de explotación, con el propósito de comparar enfoques de ordenación a largo plazo
(Ruppert et al., 1985). Segundo, ha sido utilizada para estimar la probabilidad de estar en, o cerca
de, un punto objetivo en un determinado año y, a la luz de esto, estimar la probabilidad de exceder
algún límite o umbral indeseable (Mohn, 1993). El último uso ha sido el foco de atención más reciente
en la ordenación pesquera.
Para asesorar sobre el riesgo, es necesario ir más allá de la probabilidad de ocurrencia de eventos
particulares y cuantificar el grado en que estos eventos son indeseables, esto es, el costo o el
impacto del evento. Esto requiere que la relación entre los resultados específicos y la consecuente
pérdida de beneficios sean especificadas (Anon., 1992). Un incremento de las capturas está
acompañado de una reducción en la biomasa en las pesquerías y tiene asociado riesgos de
variabilidad y de colapso de la población. El enfoque más simple de riesgo es, usual mente, "Cuánta
captura puede obtenerse sin reducir la población al punto dónde ésta pueda fluctuar
inaceptablemente y/o sea incapaz de reponerse por sí misma por debajo de un 10 % (o incluso más
alto)". Hay muchas otras preguntas con relación al riesgo, de la misma forma que hay objetivos de
ordenación, o combinaciones de objetivos de ordenación. En la medida en que la cuantificación del
riesgo y la aplicación de la teoría de decisiones basada en los riesgos llegue a estar más
formalmente incorporada dentro de la ordenación pesquera, el concepto inevitablemente será
aplicado a asuntos económicos y sociales más complejos.
En el presente, uno de los principales impedimentos para la evaluación y uso del riesgo en el
suministro de asesoría para la ordenación, ha sido la definición formal de "seguro" (riesgo aceptable).
Claramente, éste debiera ser específico para cada pesquería. Sin embargo, algunas
generalizaciones precautorias son deseables. Por ejemplo, aunque el riesgo está incluido en la base
conceptual de la ordenación de las Pesquerías de Nueva Zelandia, éste no ha sido formalmente
definido. Francis (1993) propone una definición en la cual el nivel de captura debiera ser considerado
seguro si mantiene la biomasa de la población desovante por encima del 20 % del nivel de la
población virgen, al menos el 90 % de las veces. Las definiciones de riesgo aceptable serán
generalmente expresadas en términos como los discutidos hasta ahora, que niveles de riesgo debajo
de un 10 % (o incluso mayores) estarán justificados por los datos disponibles.
Figura 12: Tres maneras de mostrar la información sobre la incertidumbre utilizando una
distribución de probabilidades: (a) la Función de Densidad Probabilística es más apropiada
cuando la preocupación principal es la posibilidad de alcanzar un objetivo; (b,c) la
probabilidad de supervivencia y las Distribuciones de Probabilidades Acumulativas, son más
apropiadas cuando la preocupación principal es evitar un PRL superior e inferior,
respectivamente.
Se pueden identificar dos categorías de riesgos: el riesgo de no lograr un PRO y el riesgo de exceder
un PRL (Mace, 1994). Los costos de no alcanzar un PRO usualmente están definidos en términos de
la reducción o interrupción en el corto-plazo del flujo de beneficios para los participantes en la
pesquería y para los consumidores, aún cuando esto pueda resultar en ganancias netas en el largo
plazo. Esto también puede ser balanceado por un aumento de los precios en el mercado como
resultado de una reducción en la oferta. Para especies con una mortalidad natural baja, la mayor
parte de la biomasa no capturada en un año puede estar disponible el año siguiente. Para especies
con una alta mortalidad natural, la biomasa que no se pesca hará una contribución, a través de la
depredación, a otros componentes, posiblemente valiosos desde el punto de vista comercial, de la
trama trófica.
Los costos de exceder un PRL son mucho más serios y han sido discutidos anteriormente y pueden ir
desde una disminución al colapso de las poblaciones, impactos sobre las especies asociadas y
desestabilización de los ecosistemas y pérdidas de los ingresos a largo plazo, incluyendo impactos
intergeneracionales. Si la condición para una captura segura sólo puede lograrse mediante gastos en
la investigación, ordenación y control que excedan la renta neta que probablemente proporcione el
recurso, debieran considerarse otros enfoques de ordenación menos costosos, tales como capturas
intermitentes (pesca en pulsos o selectiva) bajo una estrecha supervisión, o la rotación de la pesca
entre las áreas de pesca. Consistente con las dos categorías de riesgo descritas anteriormente, hay
dos tipos de errores de ordenación que pueden surgir debido a la incertidumbre sobre el estado
actual de la población (Rosenberg y Restrepo, 1995). Los términos errores de Tipo I y de Tipo II han
sido adoptados del mismo modo en que se usan en la estadística convencional. El error de Tipo I
ocurre cuando los científicos asesoran erróneamente a los administradores de que se está
produciendo una sobrepesca. El error de Tipo II ocurre cuando los científicos erróneamente
concluyen que la población está subexplotada. Como se indicó anteriormente, las consecuencias de
un sesgo hacia errores de Tipo II son más serias que los sesgos hacia errores de Tipo I.
Un marco de ordenación que invoque a acciones prefijadas cuando uno o más PRLs (ya sean
cuantitativos o cualitativos) han sido excedidos es, en efecto, un enfoque precautorio. Un contexto
para este enfoque es análogo a un termostato (Die y Caddy, en prensa): la pesquería que opera bajo
un estricto control del acceso, no está sujeta a un objetivo de captura o de limitación, pero una vez
que uno, o una serie de PRLs, muestra evidencia de sobrexplotación, se pone en práctica una acción
de ordenación pre-establecida para reducir el esfuerzo de la flota. Esto es mantenido o reforzado
hasta que el recurso se recupera a un nivel pre-acordado, cuando la tasa de explotación puede ser
incrementada ligeramente.
También pueden haber riesgos debidos a interacciones biológicas no previstas, que van más allá del
ámbito de control de la ordenación, pero que a pesar de esto afectan a la pesquería. Por ejemplo, la
invasión de aguas Noruegas por focas "arpas", para las que se estimó que, en 1987 y 1988,
consumieron 325,000 ± 75,000 t de bacalao y pescadilla, produjeron una disminución súbita en las
clases de edad de tres años (Ugland et al., 1993). Tales eventos biológicos y ambientales, aunque no
necesariamente son causados por la pesca, necesitan ser pronosticados cuando sea posible,
monitoreados y tomados en cuenta en relación a cualquier PRL biomasa-basado.
3.3 Asesoramiento a los administradores sobre incertidumbre y riesgo
No hay métodos estándares para comunicar la incertidumbre y el riesgo a los que adoptan las
decisiones sobre pesquerías (Rosenberg y Restrepo, en prensa). Las estadísticas básicas
proporcionan una variedad de medios de comunicar la variabilidad, los que pueden ser utilizados
para indicar la incertidumbre asociada a una estimación en particular, o para indicar la probabilidad
de ocurrencia de un evento indeseable. Las funciones de densidad probabilística se usan más
frecuentemente para comunicar la variabilidad asociada a una media cuando las observaciones
están normalmente distribuidas. Para propósitos de ordenación pesquera, las probabilidades
acumulativas o distribuciones de supervivencia acumuladas pueden ser más útiles cuando el
propósito es estimar la probabilidad de evitar el límite superior e inferior (Fig. 12). Los métodos no-
paramétricos basados en percentiles y cuartiles y el uso de "box plots" pueden ser más apropiados
cuando las distribuciones están sesgadas.
Para muchas poblaciones valiosas, los intentos de cuantificar la incertidumbre y el riesgo estarán
justificados. Para la pesquería de bacalao del norte en Terranova y Labrador, Restrepo et al. (1992)
utilizaron el enfoque de Monte Carlo para investigar los riesgos asociados con la ordenación por
cuotas. Utilizando 1000 corridas de simulación ellos encontraron que, si al final de 1990 nosotros
deseamos obtener F1991 = F1990, los estimados de cuotas para 1991, cuando todos los elementos
conocidos de incertidumbre fueron introducidos en el modelo, podrían estar en el orden de 170,000-
260 000 t. Tal tipo de simulación proporciona la base para evaluar el riesgo de cualquier cuota. De
esta manera, ellos notaron que incrementando en 5 000 t la cuota de 210,000 t, se doblaba el riesgo
de exceder F1990. (Incidentalmente, hay un interés particular en revisar esta evaluación particular del
riesgo después del colapso y el cierre de esta pesquería de bacalao en los últimos años).
Hilborn y Peterman (1995), recomendaron que los científicos eviten presentar simplemente un
espectro de valores. Ellos plantean que la asesoría debería tratar tanto con las consecuencias de las
hipótesis alternativas como con las acciones alternativas. Ellos sugieren que en lugar de decir que "la
captura sostenible puede estar entre 5 y 100 tm, con nuestro mejor estimado de 75 tm", se lograría
una discusión mucho mejor informada si se presenta en la siguiente forma "hay una probabilidad del
40 % de capturar 50 tm/año por los próximos 20 años, una probabilidad del 50 % de capturar 75
tm/año y una probabilidad del 10 % de capturar 100 tm/año."
Figura 13: Un resumen de las características de la pesquería de peces voladores del Caribe
oriental, basada en una simulación stock-reclutamiento, indicando el riesgo de ocurrencia de
eventos indeseados, asociados al incremento de los niveles de explotación. Estos incluyen la
variabilidad en la captura y, por inferencia, en la tasa de captura y la probabilidad de años con
"capturas críticamente bajas", definidas como capturas anuales < 30 % del valor actual
promedio y "colapso", definido como capturas críticamente bajas durante cuatro o más años
consecutivos (Mahon, 1989).
En cualquier caso, disponer en una tabla los datos obtenidos nos facilitará su
interpretación y su representación gráfica.
Un gráfico
permite visualizar
datos complejos.
Hay varias formas: puede ser mediante la observación, mediante entrevistas, haciendo
encuestas o consultando documentos.
Definir el fenómeno o proceso que queremos investigar. Por ejemplo, queremos saber
cuántas personas conforman la familia de cada estudiante de secundaria en una cierta
región del país.
Planificación:
En el caso de nuestro ejemplo, hacer una encuesta a todos los alumnos de las
secundarias de la región sería una forma de encontrar los datos que nos piden (número de
personas en la familia) pero requeriría mucho tiempo y sería algo costoso.
Por tal razón se puede seleccionar de forma adecuada una muestra y a ellos se les aplica
la encuesta.
Generalmente, el trabajo con muestras es más económico y más práctico, pero en el caso
de los censos de Población y Vivienda es necesario trabajar con toda la población.
Recopilación datos :
Ejecución en terreno, se aplican las encuestas o las entrevistas para obtener los datos
solicitados.
Procesamiento de la información :
El club deportivo de mi ciudad cuenta con 2.000 socios. De ellos 200 practican natación,
350 practican fútbol, 150 practican voleibol, 400 practican baloncesto, 300 practican
atletismo, 100 practican tenis, 240 practican
balonmano y 260 practican gimnasia.
Para este primer ejemplo prepararemos una tabla en sentido vertical, tal como la que
vemos:
deporte soci
os
Natación 200
Fútbol 350
Vóleibol 150
Balonce 400
sto
Atletism 300
o
Tenis 100
Balonma 240
no
gimnasia 260
Lo que debemos pagar (importe) por una determinada cantidad de bebidas gaseosas lo
obtenemos según la fórmula:
Construyamos una tabla que nos muestre los valores si se compran desde 1 hasta 12
gaseosas:
Nº de 1 2 3 4 5 6 7 8 9 10 11 1
gaseosas 2
En las celdas de la primera fila aparece el número de gaseosas que se comprar (desde 1
hasta 12).
Distancia 2 3 5 7 8 10 12 13
(km)
Precio ($) 441, 661, 1.101, 1.541 1.761 2.201, 2.641 2.861
5 5 5 ,5 ,5 5 ,5 ,5
Una gráfica, entonces, permite representar la relación existente entre una lista de
elementos (como temperatura, tiempo, espacio, etc.) y sus valores numéricos
correspondientes.
Asi, podemos decir que las gráficas tienen como función fundamental representar
visualmente, en forma clara e intuitiva, una serie de datos que aportan gran cantidad de
información.
Las variables que se presentan en el eje horizontal o eje x (abscisas) en una gráfica
cartesiana se llaman variable independiente y las que se representan en el eje vertical o
eje y (ordenadas) , se llaman variable dependiente .
Aquí debemos anotar que en una gráfica cartesiana no tienen por qué coincidir las
unidades de medida de los dos ejes, sino que los datos se acomodan a su propia escala.
Los datos para construir una gráfica cartesiana pueden provenir de texto , o pueden
obtenerse a partir de tablas o a partir de fórmulas .
Ejemplo:
El precio del cobre ha subido en forma sostenida desde 2004, como se aprecia en el
gráfico de la izquierda.
Por lo general, en estos casos no importa mucho el valor exacto de los puntos, sino el
dibujo, que indica la forma global de la gráfica y el comportamiento de las variables.
A veces resulta muy clarificador que los datos recogidos en una tabla se representen
gráficamente sobre unos ejes de coordenadas.
Tabla de
valores
x y
0 6
1 1
2 9
3 2
4 3
5 5
6 4
7 7
8 6
9 3
10 8
11 9
12 2
En nuestra gráfica hemos unido, mediante segmentos, cada par de puntos consecutivos,
aunque no siempre se deberán unir.
Siempre que se puedan unir los puntos mediante segmentos diremos que la gráfica
es continua , y cuando no sea posible hacerlo, diremos que la gráfica es discontinua .
Tenemos una tabla que nos muestra el tiempo (en horas) que emplean 15 atletas en
completar un recorrido:
La tabla entrega estos datos:
Nº Tiempo
atletas (h)
1 8
3 7
2 6
4 5
5 4
Esta es una gráfica discontinua ya que no podemos unir los puntos mediante segmentos
debido a que no es posible considerar un valor intermedio para los atletas: nunca habrá
0,5 o 1,5 atletas.
Tenemos un tabla que nos muestra los kilómetros recorridos por un ciclista en el
transcurso de 5 horas:
Hora Kms
s recorridos
1 20
2 40
2,5 50
3 60
3,5 60
4 60
5 70
Esta es una gráfica continua ya que podemos unir los puntos mediante segmentos debido
a que es posible considerar un valor intermedio para el tiempo, ya que a las 2,5 y a las 3,5
horas también podemos anotar los kilómetros recorridos.
Veamos un ejemplo:
El costo (valor o importe) de un litro de gasolina (nafta o bencina) es 1,2 dólar ( 1,2 US$).
Sabido esto, elaborar la gráfica que relacione ese precio unitario con la cantidad de litros
que se compren:
Litro Precio
s (US$)
1 1,2
2 2,4
3 3,6
4 4,8
5 6
6 7,2
Existen otras formas gráficas de representar datos, que son las siguientes:
a) Gráfico de barras :
Es un gráfico estadístico que está formado por varios rectángulos igualmente espaciados,
del mismo ancho, cuyas bases están colocadas sobre una misma línea horizontal.
Gráfico de barras
En el eje de las abscisas se representan los valores de una de las variables (eje x) y en el
eje de las ordenadas se representa la otra variable (eje y).
Gráfico lineal
C) diagrama:
Gráfico de flechas
d) Gráfico circular:
Muestra las relaciones o proporciones de las partes con un todo. Este gráfico (abajo) es
de utilidad cuando se pretende destacar un elemento importante.
Un gráfico circular siempre se compone de una serie de datos.
e) Gráfico de puntos:
En este tipo de gráfico, la abcisa (línea horizontal) representa los valores de la variable
estudiada y la ordenada (línea vertical) la frecuencia de aparición de un valor en el
conjunto de datos estudiado.
Comentario pedagógico.
Para la construcción de un gráfico de puntos, es necesario que el alumno conozca la
representación de puntos en una recta graduada.
Por ejemplo, el siguiente gráfico representa una alumna de cuarto medio cuya altura es
162 cm.
Si hubiese que representar otra alumna con esta misma estatura, el gráfico se vería de la
siguiente forma:
Ahora, si se quisiera representar una muestra de la estatura de treinta alumnas de cuarto
año medio, el gráfico quedaría como sigue.
Fuentes Internet: