CASO 6.

MEDIA PONDERADA Y MEDIA GEOMÉTRICA

Objetivo: Analizar datos para identificar medias ponderadas y geométricas.

Descripción: De un conjunto de tres ejercicios del libro Identificar media pondera y geométrica de un conjunto de datos (simples).

Desarrollo: Desarrollar un documento markdown y subir al servicio en la nube rpubs en su espacio de trabajo personal. Enviar el enlace al portal Schoology

Sustento teórico: Libro.

PROCESO

1. Cargar los datos.

2. Cargar librerías en caso de que sea necesario.

3. Determinar la media ponderada.

a) Dos prácticas del libro o literatura consultada. Abierto a la búsqueda de datos y ponderaciones de cada alumno (al menos 4 datos).

b) Plasmar la descripción de cada caso.

4. Determinar media geométrica

a) Dos prácticas del libro o literatura consultada. Abierto a la búsqueda de datos y ponderaciones de cada alumno.

b) Plasmar la descripción de cada caso.

5. Interprentar el caso 6. 30-50 palabras máximo.

PASO 1. Cargar los datos

num = 25
set.seed(2001)

Nombres = c("Lulu", "Lia", "Luis", "Leo", "Sam", "Fer", "Carlos", "Meny", "Julia", "Adam", "Rene", "Juan", "Alan",
            "Sergio", "Pedro", "Hector", "Myriam", "Jorge", "Ceci", "Mark", "Eli", "Coni", "Fabiola", "Rigo", "Mai")
# Calificaciones en su examenes
Val1 = 4
Calif1 = sample(50:100, num, replace = TRUE)/10

Val2 = 2.5
Calif2 = sample(50:100, num, replace = TRUE)/10

Val3 = 3.5
Calif3 = sample(50:100, num, replace = TRUE)/10

# Asignando las calificaciones
Alumnos=data.frame(Nombres, Calif1, Calif2, Calif3)
names(Alumnos)= c("Nombre", "Calificación 1", "Calificación 2", "Calificación 3")
Alumnos
##     Nombre Calificación 1 Calificación 2 Calificación 3
## 1     Lulu            5.5            7.1            8.5
## 2      Lia            8.7            7.7            9.9
## 3     Luis            9.1            8.4            7.6
## 4      Leo            8.6            9.5            6.4
## 5      Sam            5.0            7.9            6.0
## 6      Fer            8.5            8.1            5.8
## 7   Carlos            8.0            5.6            9.5
## 8     Meny            5.8            6.1            9.0
## 9    Julia            8.2            5.6            9.9
## 10    Adam            5.0            7.1            8.3
## 11    Rene            9.3            8.3            7.4
## 12    Juan            5.3           10.0            7.8
## 13    Alan            6.4            5.8            7.5
## 14  Sergio            6.8            8.6            7.2
## 15   Pedro            7.6            9.4            6.9
## 16  Hector            9.0            6.3            8.5
## 17  Myriam            9.1            9.3            9.5
## 18   Jorge            6.1            8.9            7.8
## 19    Ceci            7.5            7.3            6.7
## 20    Mark            9.4            5.5            9.0
## 21     Eli            6.4            6.4            7.7
## 22    Coni            9.4            8.5            6.5
## 23 Fabiola            9.1            6.1            9.3
## 24    Rigo            9.6            9.7            5.8
## 25     Mai            7.4            7.5            9.3

PASO 2. Cargar librerías en caso necesario.

NO SE NECESITÓ CARGAR LIBRERÍAS.

PASO 3 . Determinar la media ponderada.

a) Dos prácticas del libro o literatura consultada. Abierto a la búsqueda de datos y ponderaciones de cada alumno (al menos 4 datos).

Vamos a calcular el valor de la ponderación de las 3 calificaciones de los examenes.

Estará representada por la letra P (Por el “peso” de cada examen).

P = (Val1 + Val2 + Val3)
P
## [1] 10
Opera1 = 0
Opera2 = 0
Opera3 = 0
Suma = 0

for (i in 1:25) {
  Opera1[i] = Calif1[i]*Val1
  Opera2[i] = Calif2[i]*Val2
  Opera3[i] = Calif3[i]*Val3
}

CALIFICACIONES PONDERADAS

for (i in 1:25) {
  print(Opera1[i])
  print(Opera2[i])
  print(Opera3[i])
  print("Siguiente:")
}
## [1] 22
## [1] 17.75
## [1] 29.75
## [1] "Siguiente:"
## [1] 34.8
## [1] 19.25
## [1] 34.65
## [1] "Siguiente:"
## [1] 36.4
## [1] 21
## [1] 26.6
## [1] "Siguiente:"
## [1] 34.4
## [1] 23.75
## [1] 22.4
## [1] "Siguiente:"
## [1] 20
## [1] 19.75
## [1] 21
## [1] "Siguiente:"
## [1] 34
## [1] 20.25
## [1] 20.3
## [1] "Siguiente:"
## [1] 32
## [1] 14
## [1] 33.25
## [1] "Siguiente:"
## [1] 23.2
## [1] 15.25
## [1] 31.5
## [1] "Siguiente:"
## [1] 32.8
## [1] 14
## [1] 34.65
## [1] "Siguiente:"
## [1] 20
## [1] 17.75
## [1] 29.05
## [1] "Siguiente:"
## [1] 37.2
## [1] 20.75
## [1] 25.9
## [1] "Siguiente:"
## [1] 21.2
## [1] 25
## [1] 27.3
## [1] "Siguiente:"
## [1] 25.6
## [1] 14.5
## [1] 26.25
## [1] "Siguiente:"
## [1] 27.2
## [1] 21.5
## [1] 25.2
## [1] "Siguiente:"
## [1] 30.4
## [1] 23.5
## [1] 24.15
## [1] "Siguiente:"
## [1] 36
## [1] 15.75
## [1] 29.75
## [1] "Siguiente:"
## [1] 36.4
## [1] 23.25
## [1] 33.25
## [1] "Siguiente:"
## [1] 24.4
## [1] 22.25
## [1] 27.3
## [1] "Siguiente:"
## [1] 30
## [1] 18.25
## [1] 23.45
## [1] "Siguiente:"
## [1] 37.6
## [1] 13.75
## [1] 31.5
## [1] "Siguiente:"
## [1] 25.6
## [1] 16
## [1] 26.95
## [1] "Siguiente:"
## [1] 37.6
## [1] 21.25
## [1] 22.75
## [1] "Siguiente:"
## [1] 36.4
## [1] 15.25
## [1] 32.55
## [1] "Siguiente:"
## [1] 38.4
## [1] 24.25
## [1] 20.3
## [1] "Siguiente:"
## [1] 29.6
## [1] 18.75
## [1] 32.55
## [1] "Siguiente:"

Suma de los resultados

for (i in 1:25) {
Suma[i] = Opera1[1] + Opera2[i] + Opera3[i]
print(Suma[i])  
}
## [1] 69.5
## [1] 75.9
## [1] 69.6
## [1] 68.15
## [1] 62.75
## [1] 62.55
## [1] 69.25
## [1] 68.75
## [1] 70.65
## [1] 68.8
## [1] 68.65
## [1] 74.3
## [1] 62.75
## [1] 68.7
## [1] 69.65
## [1] 67.5
## [1] 78.5
## [1] 71.55
## [1] 63.7
## [1] 67.25
## [1] 64.95
## [1] 66
## [1] 69.8
## [1] 66.55
## [1] 73.3

RESULTADOS FINALES (es decir MEDIA PONDERADA)

resultadoFINALL = 0
  for (i in 1:25) {
    resultadoFINALL[i] = Suma[i]/P
    print(resultadoFINALL[i], 3)
  }
## [1] 6.95
## [1] 7.59
## [1] 6.96
## [1] 6.82
## [1] 6.28
## [1] 6.25
## [1] 6.92
## [1] 6.88
## [1] 7.07
## [1] 6.88
## [1] 6.87
## [1] 7.43
## [1] 6.28
## [1] 6.87
## [1] 6.97
## [1] 6.75
## [1] 7.85
## [1] 7.15
## [1] 6.37
## [1] 6.72
## [1] 6.5
## [1] 6.6
## [1] 6.98
## [1] 6.65
## [1] 7.33

b) Plasmar la descripción de cada caso.

MEDIA PONDERADA

El caso que acabamos de resolver es el de calcular la media ponderada de las 3 calificaciones que recibieron 25 alumnos en sus exámenes. Para eso seguimos los siguientes pasos:

1. Multiplicamos la calificación del alumno por el valor que tenía ese examen (el valor de cada examen se presenta en las variables Val1, Val2 y Val3).

2. Mostrar cuál es la calificación del examen después de haber calculado su verdadero valor.

3. Sumar todas las calificaciones del alumno.

4. Dividir su calificación entre el peso de todos los exámenes, es decir, dividir la calificación entre la suma de Val1+Val2+Val3

PASO 4. Determinar la media geométrica.

a) Dos prácticas del libro o literatura consultada. Abierto a la búsqueda de datos y ponderaciones de cada alumno (al menos 4 datos)

Operacion = 0
MediaGeo = 0

for (i in 1:25) {
  Operacion[i] = Calif1[i]*Calif2[i]*Calif3[i]
  
  MediaGeo[i] = Operacion[i]^(1/3)
  
  print(MediaGeo[i],4)
  
}
## [1] 6.924
## [1] 8.721
## [1] 8.344
## [1] 8.056
## [1] 6.188
## [1] 7.364
## [1] 7.522
## [1] 6.829
## [1] 7.689
## [1] 6.654
## [1] 8.297
## [1] 7.449
## [1] 6.53
## [1] 7.495
## [1] 7.899
## [1] 7.84
## [1] 9.299
## [1] 7.509
## [1] 7.158
## [1] 7.749
## [1] 6.807
## [1] 8.038
## [1] 8.022
## [1] 8.144
## [1] 8.022

b) Plasmar la descripción de cada caso.

MEDIA GEOMÉTRICA

El caso que acabamos de resolver fue el de calcular la media geométrica de las 3 calificaciones que recibieron 25 alumnos en sus 3 exámenes. Para poder calcular esta información, lo que hicimos fue:

1. Multiplicar las 3 calificaciones que obtuvieron los alumnos en sus exámenes (Ej. Calif1 * Calif2 * Calif3)

2. Sacar la raíz cúbica (porque son 3 datos, si fueran 2 sería raíz cuadrada, si fueran 4 sería raíz cuarta, etcétera) del resultado de la multiplicación.

3. El resultado de la raíz es nuestra media geométrica.

PASO 5. Opinión sobre el caso 6. 30-50 palabras máximo

Conocimos 2 nuevos conceptos estadísticos muy interesante. Considero de gran utilidad la media ponderada ya que nos ayuda a conocer el valor de datos TOMANDO EN CUENTA SU “PESO” entre los demás, porque hay datos con mayor valor que otros. Eso no se toma en cuenta en la media aritmética.