Ejemplo de cálculo en python

Aquí tienes ejemplos de cómo calcular medidas descriptivas utilizando Python. Usaremos bibliotecas como numpy y pandas, que son muy útiles para el análisis de datos. Asegúrate de tenerlas instaladas en tu entorno. Si aún no las tienes, puedes instalarlas usando:

pip install numpy pandas

Ejemplo Completo en Python

Supongamos que tenemos el siguiente conjunto de datos que representa las puntuaciones obtenidas por 10 estudiantes en un examen:

• Datos: 7, 8, 9, 8, 7, 8, 9, 8, 7, 8

Vamos a calcular la media, mediana, moda, rango, varianza, desviación estándar y crear una tabla de frecuencias.

Código

import numpy as np
import pandas as pd
from scipy import stats

# Datos
scores = [7, 8, 9, 8, 7, 8, 9, 8, 7, 8]

# Convertir a un array de numpy
scores_array = np.array(scores)

# 1. Media
mean = np.mean(scores_array)
print(f"Media: {mean}")

# 2. Mediana
median = np.median(scores_array)
print(f"Mediana: {median}")

# 3. Moda
mode = stats.mode(scores_array)[0]  # stats.mode devuelve un objeto
print(f"Moda: {mode}")
# Otra manera
most_common = np.bincount(scores_array).argmax()
print(f"Moda: {most_common }")
# 4. Rango
data_range = np.ptp(scores_array)  # Rango = máximo - mínimo
print(f"Rango: {data_range}")

# 5. Varianza
variance = np.var(scores_array, ddof=0)  # ddof=0 para población
print(f"Varianza: {variance}")

# 6. Desviación Estándar
std_deviation = np.std(scores_array, ddof=0)
print(f"Desviación Estándar: {std_deviation}")

# 7. Tabla de Frecuencia
frequency_table = pd.Series(scores).value_counts().sort_index()
print("\nTabla de Frecuencia:")
print(frequency_table)

# 8. Gráfico de Histograma
import matplotlib.pyplot as plt

plt.hist(scores_array, bins=5, edgecolor='black')
plt.title('Histograma de Puntuaciones')
plt.xlabel('Puntuaciones')
plt.ylabel('Frecuencia')
plt.show()

Explicación del Código

1. Importación de Bibliotecas:
   • numpy para cálculos numéricos.
   • pandas para manipulación de datos y creación de tablas.
   • scipy.stats para calcular la moda.
   • matplotlib.pyplot para graficar.
2. Datos: Se definen las puntuaciones en una lista.
3. Cálculo de Medidas:
   • Media: Se utiliza np.mean() para calcular la media.
   • Mediana: Se utiliza np.median() para calcular la mediana.
   • Moda: Se utiliza stats.mode() para encontrar la moda.
   • Rango: np.ptp() calcula el rango (valor máximo – valor mínimo).
   • Varianza y Desviación Estándar: Se utilizan np.var() y np.std(), respectivamente. Se especifica ddof=0 para indicar que se está calculando para la población.
4. Tabla de Frecuencia: Se utiliza pd.Series() junto con value_counts() para contar las frecuencias y sort_index() para ordenar la tabla.
5. Gráfico de Histograma: Se utiliza plt.hist() para visualizar la distribución de las puntuaciones.

Salida Esperada

Al ejecutar el código, deberías obtener resultados similares a los siguientes:

Media: 7.9
Mediana: 8.0
Moda: 8
Moda: 8
Rango: 2
Varianza: 0.49000000000000005
Desviación Estándar: 0.7000000000000001

Tabla de Frecuencia:
7 3
8 5
9 2
Name: count, dtype: int64

Y también se mostrará un gráfico de histograma que representa las puntuaciones de los estudiantes.

Conclusión

Este código proporciona una forma práctica de calcular y visualizar medidas descriptivas usando Python, lo cual es muy útil en el análisis exploratorio de datos. Puedes modificar los datos o agregar más análisis según lo necesites.