Caso 2 Distribuciones de Frecuencias. Nombres de Personas
Luis Edgar Felix
26/2/2021
Objetivo
Realizar una interpretación de datos a partir de una simulación de un conjunto de datos cualitativos y por medio de una distribución de frecuencias y visualización gráfica de datos. Descripción
Desarrollo
A través de un proceso que incluye datos, codificación y resultados se hace un análisis e interpretación de datos.
El proceso incluye varios aspectos: la creación de los datos que implica crear y procesar diez mil nombres de personas a partir de un vector de cincuenta nombres diferentes; el formateo o categorización de los mismos; la generación de frecuencias de clase, relativas y porcentuales y la creación de la distribución de frecuencias.
El análisis de los datos se hace a partir de la tabla de frecuencias, se genera una visualización gráfica se interpretan los resultados. La visualización de datos es mediante gráfica de barra y de pastel respectivamente y la interpretación del caso incluye responder a las cuestiones particulares del caso.
Marco Teorico
La estadística es la disciplina matemática que trata con el análisis y estudio de los datos y la estadística descriptiva es el mecanismo que presenta los datos de manera resumida comprensible para su adecuada interpretación y comunicación.
¿qué datos y cuántos datos hay que analizar y estudiar?, ¿cuáles mediciones hay que hacer y determinar?, para responder a estos cuestionamientos de cualquier estudio y contexto, primero hay es necesario distinguir entre dos conceptos íntimamente relacionados con estadística, los de población y muestra.
Anderson Sweeney y Williams (2008) conceptualizan que una “población es el conjunto de todos los elementos de interés en un estudio determinado; la muestra es un subconjunto de la población” (pág. 15).
Walpole, Myers, Myers y Ye (2012) mencionan que “la información se colecta en forma de muestras o conjuntos de observaciones, las muestras se reúnen a partir de poblaciones, que son conjuntos de todos los individuos o elementos individuales de un tipo específico” (pág. 2).
Mendenhall, Beaver, y Beaver (2010) mencionana que “en el lenguaje de la estadística, uno de los conceptos más elementales es el muestreo. En casi todos los problemas de estadística, un número especificado de mediciones o datos, es decir, una muestra, se toma de un cuerpo de mediciones más grande llamado población” (pág. 3).
En un estudio estadístico se determinan algunas medidas, máximos, mínimos, medias, varianzas, desviaciones, cuartiles, percentiles, frecuencias, porcentajes, entre muchas otras, si estas medidas se calculan usando los datos de una muestra, se llaman estadísticos muestrales, si las medidas se determinan con los datos de una población se llaman parámetros poblacionales. (Anderson, Sweeney, & Williams, 2008).
Los datos se pueden clasificar en cualitativos o cuantitativos. Los datos cualitativos o categóricos emplean etiquetas o nombres para determinar categorías de elementos iguales o diferentes. Los datos cuantitativos son valores numéricos en los que se permite hacer operaciones matemáticas o determianr medidas estadísticas.
En su libro Mendenhall, Beaver y Beaver (2010), establecen que las variables cualitativas miden una cualidad o característica en cada unidad experimental. Las variables cuantitativas miden una cantidad numérica en cada unidad experimental. (pág. 10)
Una distribución de frecuencia es un resumen tabular de datos que muestra el número (frecuencia) de elementos en cada una de las diferentes clases disyuntas (que no se sobreponen) (Anderson, Sweeney, & Williams, 2008).
Una clase en elementos cualitativos es una etiqueta de cada tipo que hay en el conjunto de datos. Una frecuencia de clase para datos cualitativos es el número de elementos que existen de etiquetas individuales y diferentes entre si de cada tipo del conjunto de datos.
Para determinar una tabla de distribución de frecuencia se cuentan cada uno de los elementos de cada clase del conjunto de datos en la cual se indica cuántos elementos hay de cada clase y que proporción existe con respecto al número total de elementos.
frecuencia.de.clase=número.de.elementos.de.cada.clase
La frecuencia relativa de una clase es igual a la parte o proporción de los elementos que pertenecen a cada clase. En un conjunto de datos, en el que hay n observaciones, la frecuencia relativa de cada clase se determina como dividiendo la cantidad de cada clase entre el número de elementos
frecuencia.relativa=frecuencia.de.clasen
La frecuencia porcentual de una clase es la frecuencia relativa multiplicada por 100
frecuencia.porcentual=frecuencia.relativa×100
Entonces una distribución de frecuencia ofrece un resumen tabular de datos en el que se muestra la frecuencia relativa de cada clase. Una distribución de frecuencia porcentual da la frecuencia porcentual de los datos de cada clase (Anderson, Sweeney, & Williams, 2008).
Una gráfica de barras o un diagrama de barras, es una gráfica para representar los datos cualitativos de una distribución de frecuencia, de frecuencia relativa o de frecuencia porcentual. En el horizontal, se especifican las etiquetas empleadas para las clases (categorías), en el eje vertical se indica una escala para frecuencia, frecuencia relativa o frecuencia porcentual. Después, empleando un ancho de barra fijo, se dibuja sobre cada etiqueta de las clases una barra que se extiende de la base del eje horizontal hasta la frecuencia, frecuencia relativa o frecuencia porcentual de la clase (Anderson, Sweeney, & Williams, 2008).
La gráfica de pastel proporciona otra manera de mostrar distribuciones de frecuencia de clase, relativa o porcentual de datos cualitativos. Para elaborar una gráfica de pastel, primero se dibuja un círculo que representa todos los datos. Después se usa la frecuencia relativa para subdividir el círculo en sectores, o partes, que corresponden a la frecuencia relativa de cada clase (Anderson, Sweeney, & Williams, 2008).
Desarrollo
Se presentan datos de cincuenta nombre de personas credos a partir de la función c() y amacenados en una variable tipo vector llamada nombres.
Se utiliza la función factor() para categorizar los nombres, es decir que se pueda identificar nombres diferentes además que se pueda determinar su frecuencia.
Se determinan frecuencias de clase, frecuencias relativas y porcentuales, tablas de frecuencias, gráficas de barra y pastel del ejercicio.
Simular la generación de una muestra diez mil (10000) nombres de personas a partir de la simulación de 50 datos nombres diferentes para determinar la ditribución de frecuencias.
Se utiliza la variable tipo vector nombres
Sembrar una semilla
set.seed() significa que al momento de generar valores aleatorios dé o genere los mismos resultados cada vez que se ejecuta alguna función de aleatoriedad como sample().
Datos. Los nombres de personas
datos <- c ('Aracely','Paola','Alfredo','Jose','Iveth','Maria','Enrique','Yareli','Rodolfo','William','Juan','Valeria','Lucero','Edgar','Yalery','Ariana','Irma','Fatima','Brisa','Bertha','Javier','Edwin','Alondra','Pither','Brenda','Francia','Alberto','Beto','Fernando','Victor','Alexis','Gerardo','Alejandra','Raul','Martin','Lorena','Andre','Andrea','Hugo','Willi','Joel','Marco','Reyli','Ramon','Rogelio','Kathia','Raymundo','Mundo','Osmar','Juliette','Patty','Mariana','Fidelia','Alondra','Adriana','Eliseo','German','Israel','Sergio','Arlette','Karla','Juan','Irosema','Rosa','Eddith','Oscar','Antonia','Berta','Leticia','Pablo','Felipe','Roxxana','Estrella','Rosa Emma','Flor','Ruben','Fer','Zuiezen','Lucero','Lady','Norenema','Armando','Roberto','Alan','Julio','elva','Jordi','Kennet','Eliza','Derek','Mayra','Monica','Miguel','Vannesa','yohana','Gabriel','Jesus','Salomon','Marcos')
datos## [1] "Aracely" "Paola" "Alfredo" "Jose" "Iveth" "Maria"
## [7] "Enrique" "Yareli" "Rodolfo" "William" "Juan" "Valeria"
## [13] "Lucero" "Edgar" "Yalery" "Ariana" "Irma" "Fatima"
## [19] "Brisa" "Bertha" "Javier" "Edwin" "Alondra" "Pither"
## [25] "Brenda" "Francia" "Alberto" "Beto" "Fernando" "Victor"
## [31] "Alexis" "Gerardo" "Alejandra" "Raul" "Martin" "Lorena"
## [37] "Andre" "Andrea" "Hugo" "Willi" "Joel" "Marco"
## [43] "Reyli" "Ramon" "Rogelio" "Kathia" "Raymundo" "Mundo"
## [49] "Osmar" "Juliette" "Patty" "Mariana" "Fidelia" "Alondra"
## [55] "Adriana" "Eliseo" "German" "Israel" "Sergio" "Arlette"
## [61] "Karla" "Juan" "Irosema" "Rosa" "Eddith" "Oscar"
## [67] "Antonia" "Berta" "Leticia" "Pablo" "Felipe" "Roxxana"
## [73] "Estrella" "Rosa Emma" "Flor" "Ruben" "Fer" "Zuiezen"
## [79] "Lucero" "Lady" "Norenema" "Armando" "Roberto" "Alan"
## [85] "Julio" "elva" "Jordi" "Kennet" "Eliza" "Derek"
## [91] "Mayra" "Monica" "Miguel" "Vannesa" "yohana" "Gabriel"
## [97] "Jesus" "Salomon" "Marcos"Simular diez mil nombres
datos <- sample(datos, size = 10000, replace = TRUE)
head(datos, 100) # Los primeros cien## [1] "Brenda" "Arlette" "Lady" "Mariana" "Lucero" "Marco"
## [7] "Armando" "Alan" "Andrea" "William" "Eliseo" "Andre"
## [13] "Enrique" "Aracely" "Edwin" "Alexis" "Pither" "Kennet"
## [19] "Gabriel" "Edgar" "Javier" "Alan" "Jose" "Miguel"
## [25] "Flor" "William" "Fer" "Bertha" "Karla" "Alondra"
## [31] "Iveth" "Vannesa" "Joel" "Juliette" "elva" "Ramon"
## [37] "Juliette" "Monica" "Eddith" "Rodolfo" "Jose" "Maria"
## [43] "Salomon" "Ruben" "Marcos" "Bertha" "Karla" "Ariana"
## [49] "Lucero" "Lucero" "Willi" "Lucero" "Ramon" "Pablo"
## [55] "Jesus" "Yareli" "Bertha" "Valeria" "Monica" "Flor"
## [61] "Alexis" "William" "Antonia" "Alondra" "Norenema" "Jesus"
## [67] "Mayra" "Victor" "Kathia" "Norenema" "Beto" "Alondra"
## [73] "Salomon" "Enrique" "Rogelio" "Miguel" "Fernando" "Flor"
## [79] "Osmar" "Raul" "Hugo" "Antonia" "Aracely" "Yalery"
## [85] "Eddith" "Rodolfo" "Vannesa" "Estrella" "Alexis" "Juan"
## [91] "Alan" "Francia" "Oscar" "Jose" "Irosema" "Raul"
## [97] "Ruben" "German" "Armando" "Brenda"tail(datos, 100) # Los primeros cien## [1] "Maria" "Raul" "Pither" "Norenema" "elva" "Lorena"
## [7] "Brenda" "Marcos" "Juliette" "Ariana" "Lucero" "Lorena"
## [13] "Juan" "Adriana" "elva" "Armando" "Berta" "Patty"
## [19] "Raymundo" "Kathia" "Mayra" "Vannesa" "Alfredo" "Oscar"
## [25] "Mundo" "Yareli" "Eliseo" "Hugo" "Willi" "Eddith"
## [31] "Fidelia" "Mariana" "Pablo" "Edgar" "Eliza" "Iveth"
## [37] "Miguel" "Marcos" "Norenema" "Jordi" "Andrea" "Norenema"
## [43] "Rosa" "Eddith" "Martin" "Lucero" "Arlette" "Victor"
## [49] "Roberto" "Derek" "Jesus" "Iveth" "Rosa" "Ariana"
## [55] "Arlette" "Gerardo" "Flor" "Andrea" "Sergio" "Karla"
## [61] "Alfredo" "Paola" "Juan" "Sergio" "Brenda" "Alondra"
## [67] "Iveth" "William" "Paola" "Willi" "Mariana" "Alfredo"
## [73] "Raymundo" "German" "Ruben" "Martin" "Martin" "William"
## [79] "Osmar" "Marco" "Kennet" "Adriana" "Fernando" "Rogelio"
## [85] "Ramon" "Edwin" "Marcos" "Alondra" "Rosa Emma" "Rogelio"
## [91] "Alondra" "Yalery" "Ruben" "Paola" "Berta" "Mariana"
## [97] "Lorena" "Valeria" "Raul" "Alexis"Número de elementos
n <- length(datos)
n## [1] 10000Determinar los datos como tipo factor o categóricos
frecuencia.clase <- table(datos)
frecuencia.clase## datos
## Adriana Alan Alberto Alejandra Alexis Alfredo Alondra Andre
## 108 130 101 99 100 90 201 100
## Andrea Antonia Aracely Ariana Arlette Armando Berta Bertha
## 109 106 91 89 87 115 111 106
## Beto Brenda Brisa Derek Eddith Edgar Edwin Eliseo
## 104 100 94 96 92 95 105 97
## Eliza elva Enrique Estrella Fatima Felipe Fer Fernando
## 101 111 112 90 96 94 88 97
## Fidelia Flor Francia Gabriel Gerardo German Hugo Irma
## 93 111 107 79 101 96 119 91
## Irosema Israel Iveth Javier Jesus Joel Jordi Jose
## 98 109 104 99 101 108 93 126
## Juan Juliette Julio Karla Kathia Kennet Lady Leticia
## 177 113 108 110 97 111 106 93
## Lorena Lucero Marco Marcos Maria Mariana Martin Mayra
## 96 222 82 94 98 107 91 107
## Miguel Monica Mundo Norenema Oscar Osmar Pablo Paola
## 103 103 107 120 93 86 113 107
## Patty Pither Ramon Raul Raymundo Reyli Roberto Rodolfo
## 100 100 109 97 82 107 95 93
## Rogelio Rosa Rosa Emma Roxxana Ruben Salomon Sergio Valeria
## 94 105 115 98 103 100 96 120
## Vannesa Victor Willi William Yalery Yareli yohana Zuiezen
## 108 108 93 115 83 97 97 91Frecuencia relativa
frecuencia.relativa <- frecuencia.clase / n
frecuencia.relativa## datos
## Adriana Alan Alberto Alejandra Alexis Alfredo Alondra Andre
## 0.0108 0.0130 0.0101 0.0099 0.0100 0.0090 0.0201 0.0100
## Andrea Antonia Aracely Ariana Arlette Armando Berta Bertha
## 0.0109 0.0106 0.0091 0.0089 0.0087 0.0115 0.0111 0.0106
## Beto Brenda Brisa Derek Eddith Edgar Edwin Eliseo
## 0.0104 0.0100 0.0094 0.0096 0.0092 0.0095 0.0105 0.0097
## Eliza elva Enrique Estrella Fatima Felipe Fer Fernando
## 0.0101 0.0111 0.0112 0.0090 0.0096 0.0094 0.0088 0.0097
## Fidelia Flor Francia Gabriel Gerardo German Hugo Irma
## 0.0093 0.0111 0.0107 0.0079 0.0101 0.0096 0.0119 0.0091
## Irosema Israel Iveth Javier Jesus Joel Jordi Jose
## 0.0098 0.0109 0.0104 0.0099 0.0101 0.0108 0.0093 0.0126
## Juan Juliette Julio Karla Kathia Kennet Lady Leticia
## 0.0177 0.0113 0.0108 0.0110 0.0097 0.0111 0.0106 0.0093
## Lorena Lucero Marco Marcos Maria Mariana Martin Mayra
## 0.0096 0.0222 0.0082 0.0094 0.0098 0.0107 0.0091 0.0107
## Miguel Monica Mundo Norenema Oscar Osmar Pablo Paola
## 0.0103 0.0103 0.0107 0.0120 0.0093 0.0086 0.0113 0.0107
## Patty Pither Ramon Raul Raymundo Reyli Roberto Rodolfo
## 0.0100 0.0100 0.0109 0.0097 0.0082 0.0107 0.0095 0.0093
## Rogelio Rosa Rosa Emma Roxxana Ruben Salomon Sergio Valeria
## 0.0094 0.0105 0.0115 0.0098 0.0103 0.0100 0.0096 0.0120
## Vannesa Victor Willi William Yalery Yareli yohana Zuiezen
## 0.0108 0.0108 0.0093 0.0115 0.0083 0.0097 0.0097 0.0091Frecuencia porcentual
frecuencia.porcentual <- frecuencia.relativa * 100
frecuencia.porcentual## datos
## Adriana Alan Alberto Alejandra Alexis Alfredo Alondra Andre
## 1.08 1.30 1.01 0.99 1.00 0.90 2.01 1.00
## Andrea Antonia Aracely Ariana Arlette Armando Berta Bertha
## 1.09 1.06 0.91 0.89 0.87 1.15 1.11 1.06
## Beto Brenda Brisa Derek Eddith Edgar Edwin Eliseo
## 1.04 1.00 0.94 0.96 0.92 0.95 1.05 0.97
## Eliza elva Enrique Estrella Fatima Felipe Fer Fernando
## 1.01 1.11 1.12 0.90 0.96 0.94 0.88 0.97
## Fidelia Flor Francia Gabriel Gerardo German Hugo Irma
## 0.93 1.11 1.07 0.79 1.01 0.96 1.19 0.91
## Irosema Israel Iveth Javier Jesus Joel Jordi Jose
## 0.98 1.09 1.04 0.99 1.01 1.08 0.93 1.26
## Juan Juliette Julio Karla Kathia Kennet Lady Leticia
## 1.77 1.13 1.08 1.10 0.97 1.11 1.06 0.93
## Lorena Lucero Marco Marcos Maria Mariana Martin Mayra
## 0.96 2.22 0.82 0.94 0.98 1.07 0.91 1.07
## Miguel Monica Mundo Norenema Oscar Osmar Pablo Paola
## 1.03 1.03 1.07 1.20 0.93 0.86 1.13 1.07
## Patty Pither Ramon Raul Raymundo Reyli Roberto Rodolfo
## 1.00 1.00 1.09 0.97 0.82 1.07 0.95 0.93
## Rogelio Rosa Rosa Emma Roxxana Ruben Salomon Sergio Valeria
## 0.94 1.05 1.15 0.98 1.03 1.00 0.96 1.20
## Vannesa Victor Willi William Yalery Yareli yohana Zuiezen
## 1.08 1.08 0.93 1.15 0.83 0.97 0.97 0.91Tabla de frecuencias
tabla.frecuencia <- data.frame(names(frecuencia.clase), as.vector(frecuencia.clase), as.vector(frecuencia.relativa), as.vector(frecuencia.porcentual))
names(tabla.frecuencia) <- c('Clases', 'Frecuencia de clase', 'Relativa', 'Porcentual')
tabla.frecuencia## Clases Frecuencia de clase Relativa Porcentual
## 1 Adriana 108 0.0108 1.08
## 2 Alan 130 0.0130 1.30
## 3 Alberto 101 0.0101 1.01
## 4 Alejandra 99 0.0099 0.99
## 5 Alexis 100 0.0100 1.00
## 6 Alfredo 90 0.0090 0.90
## 7 Alondra 201 0.0201 2.01
## 8 Andre 100 0.0100 1.00
## 9 Andrea 109 0.0109 1.09
## 10 Antonia 106 0.0106 1.06
## 11 Aracely 91 0.0091 0.91
## 12 Ariana 89 0.0089 0.89
## 13 Arlette 87 0.0087 0.87
## 14 Armando 115 0.0115 1.15
## 15 Berta 111 0.0111 1.11
## 16 Bertha 106 0.0106 1.06
## 17 Beto 104 0.0104 1.04
## 18 Brenda 100 0.0100 1.00
## 19 Brisa 94 0.0094 0.94
## 20 Derek 96 0.0096 0.96
## 21 Eddith 92 0.0092 0.92
## 22 Edgar 95 0.0095 0.95
## 23 Edwin 105 0.0105 1.05
## 24 Eliseo 97 0.0097 0.97
## 25 Eliza 101 0.0101 1.01
## 26 elva 111 0.0111 1.11
## 27 Enrique 112 0.0112 1.12
## 28 Estrella 90 0.0090 0.90
## 29 Fatima 96 0.0096 0.96
## 30 Felipe 94 0.0094 0.94
## 31 Fer 88 0.0088 0.88
## 32 Fernando 97 0.0097 0.97
## 33 Fidelia 93 0.0093 0.93
## 34 Flor 111 0.0111 1.11
## 35 Francia 107 0.0107 1.07
## 36 Gabriel 79 0.0079 0.79
## 37 Gerardo 101 0.0101 1.01
## 38 German 96 0.0096 0.96
## 39 Hugo 119 0.0119 1.19
## 40 Irma 91 0.0091 0.91
## 41 Irosema 98 0.0098 0.98
## 42 Israel 109 0.0109 1.09
## 43 Iveth 104 0.0104 1.04
## 44 Javier 99 0.0099 0.99
## 45 Jesus 101 0.0101 1.01
## 46 Joel 108 0.0108 1.08
## 47 Jordi 93 0.0093 0.93
## 48 Jose 126 0.0126 1.26
## 49 Juan 177 0.0177 1.77
## 50 Juliette 113 0.0113 1.13
## 51 Julio 108 0.0108 1.08
## 52 Karla 110 0.0110 1.10
## 53 Kathia 97 0.0097 0.97
## 54 Kennet 111 0.0111 1.11
## 55 Lady 106 0.0106 1.06
## 56 Leticia 93 0.0093 0.93
## 57 Lorena 96 0.0096 0.96
## 58 Lucero 222 0.0222 2.22
## 59 Marco 82 0.0082 0.82
## 60 Marcos 94 0.0094 0.94
## 61 Maria 98 0.0098 0.98
## 62 Mariana 107 0.0107 1.07
## 63 Martin 91 0.0091 0.91
## 64 Mayra 107 0.0107 1.07
## 65 Miguel 103 0.0103 1.03
## 66 Monica 103 0.0103 1.03
## 67 Mundo 107 0.0107 1.07
## 68 Norenema 120 0.0120 1.20
## 69 Oscar 93 0.0093 0.93
## 70 Osmar 86 0.0086 0.86
## 71 Pablo 113 0.0113 1.13
## 72 Paola 107 0.0107 1.07
## 73 Patty 100 0.0100 1.00
## 74 Pither 100 0.0100 1.00
## 75 Ramon 109 0.0109 1.09
## 76 Raul 97 0.0097 0.97
## 77 Raymundo 82 0.0082 0.82
## 78 Reyli 107 0.0107 1.07
## 79 Roberto 95 0.0095 0.95
## 80 Rodolfo 93 0.0093 0.93
## 81 Rogelio 94 0.0094 0.94
## 82 Rosa 105 0.0105 1.05
## 83 Rosa Emma 115 0.0115 1.15
## 84 Roxxana 98 0.0098 0.98
## 85 Ruben 103 0.0103 1.03
## 86 Salomon 100 0.0100 1.00
## 87 Sergio 96 0.0096 0.96
## 88 Valeria 120 0.0120 1.20
## 89 Vannesa 108 0.0108 1.08
## 90 Victor 108 0.0108 1.08
## 91 Willi 93 0.0093 0.93
## 92 William 115 0.0115 1.15
## 93 Yalery 83 0.0083 0.83
## 94 Yareli 97 0.0097 0.97
## 95 yohana 97 0.0097 0.97
## 96 Zuiezen 91 0.0091 0.91Gráfica de barra
barplot(height = tabla.frecuencia$`Frecuencia de clase`, names.arg = tabla.frecuencia$Clases, main = "Frecuencia de nombres. ")
Gráfica de barra top 10
barplot(height = tabla.frecuencia$`Frecuencia de clase`, names.arg = tabla.frecuencia$Clases, main = "Frecuencia de nombres. Top 10")
## Gráfica de pastel
pie(x = tabla.frecuencia$`Frecuencia de clase`, labels = tabla.frecuencia$Clases)
Interpretación del caso
Contestar de manera descriptiva cada una de las siguientes preguntas:
¿Cuál es el nombre de persona que menos se repite y su frecuencia de clase?
norenema
¿Cuáles son las frecuencias relativas de cada nombres de persona?
Adriana Alan Alberto Alejandra Alexis Alfredo Alondra Andre Andrea Antonia Aracely 0.0105 0.0088 0.0101 0.0104 0.0096 0.0114 0.0202 0.0108 0.0102 0.0111 0.0107 Ariana Arlette Armando Berta Bertha Beto Brenda Brisa Derek Eddith Edgar 0.0114 0.0104 0.0119 0.0102 0.0108 0.0096 0.0114 0.0120 0.0091 0.0090 0.0086 Edwin Eliseo Eliza elva Enrique Estrella Fatima Felipe Fer Fernando Fidelia 0.0100 0.0097 0.0105 0.0121 0.0094 0.0103 0.0097 0.0100 0.0100 0.0098 0.0110 Flor Francia Gabriel Gerardo German Hugo Irma Irosema Israel Iveth Javier 0.0093 0.0101 0.0095 0.0090 0.0102 0.0100 0.0107 0.0114 0.0095 0.0089 0.0085 Jesus Joel Jordi Jose Juan Juliette Julio Karla Kathia Kennet Lady 0.0104 0.0103 0.0104 0.0103 0.0208 0.0106 0.0106 0.0088 0.0106 0.0096 0.0107 Leticia Lorena Lucero Marco Marcos Maria Mariana Martin Mayra Miguel Monica 0.0097 0.0105 0.0187 0.0090 0.0081 0.0087 0.0110 0.0108 0.0086 0.0093 0.0105 Mundo Norenema Oscar Osmar Pablo Paola Patty Pither Ramon Raul Raymundo 0.0096 0.0117 0.0085 0.0118 0.0104 0.0111 0.0094 0.0110 0.0110 0.0097 0.0115 Reyli Roberto Rodolfo Rogelio Rosa Rosa Emma Roxxana Ruben Salomon Sergio Valeria 0.0087 0.0118 0.0108 0.0085 0.0100 0.0100 0.0124 0.0083 0.0111 0.0103 0.0106 Vannesa Victor Willi William Yalery Yareli yohana Zuiezen 0.0094 0.0083 0.0102 0.0100 0.0080 0.0100 0.0112 0.0089
¿Cuales son los procentajes de nombres de personas más y menos ?
Adriana Alan Alberto Alejandra Alexis Alfredo Alondra Andre Andrea Antonia Aracely
1.05 0.88 1.01 1.04 0.96 1.14 2.02 1.08 1.02 1.11 1.07 Ariana Arlette Armando Berta Bertha Beto Brenda Brisa Derek Eddith Edgar 1.14 1.04 1.19 1.02 1.08 0.96 1.14 1.20 0.91 0.90 0.86 Edwin Eliseo Eliza elva Enrique Estrella Fatima Felipe Fer Fernando Fidelia 1.00 0.97 1.05 1.21 0.94 1.03 0.97 1.00 1.00 0.98 1.10 Flor Francia Gabriel Gerardo German Hugo Irma Irosema Israel Iveth Javier 0.93 1.01 0.95 0.90 1.02 1.00 1.07 1.14 0.95 0.89 0.85 Jesus Joel Jordi Jose Juan Juliette Julio Karla Kathia Kennet Lady 1.04 1.03 1.04 1.03 2.08 1.06 1.06 0.88 1.06 0.96 1.07 Leticia Lorena Lucero Marco Marcos Maria Mariana Martin Mayra Miguel Monica 0.97 1.05 1.87 0.90 0.81 0.87 1.10 1.08 0.86 0.93 1.05 Mundo Norenema Oscar Osmar Pablo Paola Patty Pither Ramon Raul Raymundo 0.96 1.17 0.85 1.18 1.04 1.11 0.94 1.10 1.10 0.97 1.15 Reyli Roberto Rodolfo Rogelio Rosa Rosa Emma Roxxana Ruben Salomon Sergio Valeria 0.87 1.18 1.08 0.85 1.00 1.00 1.24 0.83 1.11 1.03 1.06 Vannesa Victor Willi William Yalery Yareli yohana Zuiezen 0.94 0.83 1.02 1.00 0.80 1.00 1.12 0.89 Que representa la tabla de distribución de frecuencias, la gráfica de barra y gráfica de pastel? Aspectos generales del caso: ¿qué aprendizajes se obtuvieron?, ¿qué deja el caso?, ¿qué habilidades se desarrollan?, ¿qué formación se obtiene? , entre otras … con esto obtuvimos que al ver cuando las cosas pueden ser del mundo podemos obtener el maxico de todo lo que necesitamos
Valeria es el que mas veces aparece
Referencias bibliográficas
Anderson, D., Sweeney, D., & Williams, T. (2008). Estadística para administración y economía Estadística para administración y economía. 10a. Edición. México, D.F: Cengage Learning Editores,S.A. de C.V.
Mendenhall, W., Beaver, R. J., & Beaver, B. M. (2010). Introducción a la probabilidad y estadística. México, D.F.: Cengage Learning Editores, S.A. de C.V.
Walpole, R., Myers, R. H., Myers, S. L., & Ye, K. (2007). Probabilidad y estadística para Ingeniería y Ciencias. Octava Edición (Octava Edición ed.). México: Prentice Hill. Pearson Educación.
Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y estadística para ingeniería y ciencias (Novena Edición ed.). Cd. México: Pearson.