PROCEDIMIENTO MUESTRAL

Buenas noches a todos, ya acabando un poco el día terminaremos hablando de varios conceptos del mundo de la estadística enfermera, dadas en clase.

PROCEDIMIENTO MUESTRAL: Se trata de las técnicas de muestreo, es decir, el método por el cual escogemos a una población de estudio en la que podamos obtener un grado de probabilidad de que ese pequeño grupo contentga las características que estamos buscando. La población diana escogida aleatoriamente es, a partir de la cual obtenemos la muestra y sacamos las conclusiones. A partir de ella, deberemos hacer inferencia de la población entera (intervalos de confianza, en %). 

En este procedimiento muestral hay que destacar también el tipo de muestreo y el tamaño de la muestra. 

TIPOS DE MUESTREO: Entre los que destacan:

- Muestreo probabilístico: todos los sujetos de la población tienen una probabilidad distinta de cero en la selección de la muestra y es conocida a la hora de seleccionar los sujetos. Dentro de este tipo de muestreo existe diversas clases de muestreo probabilístico:

    1. Aleatorio simple, el más fiable y equitativo.

    2. Aleatorio sistemático, cada individuo tiene la misma probabilidad de ser escogido.

    3. Estratificado, la población escogida de subdivide en grupos o estratos según presenten una cierta variabilidad o distribucción conocida. 

   4. Conglomerado, cuando no se posee de una lista detallada y enumerada de cada uno de los sujetos y resulta complicado elaborar la pobalción de estudio.

     

- Muestreo no probabilístico o de convenencia del investigador: puede haber personas en la población que no tengan propabilidad o se desconozca, de ser seleccionado la muestra. No existe probabilidad conocida y su muestreo se hace de forma arbitraria. En este caso no se puede considerar que la muestra sea representativa de una población completa. Dentro de este tipo de muestreo existe diversas clases de muestreo no probabilístico:

     1. Accidental: Aquellos en los que los sujetos no tiene una probabilidad conocida o distinta de 0.

     2. Por cuotas: escoger de forma arbitraria y con unos criterios de exclusión concretos. 

    3. Por conveniencia o intencional: El investigador decide según sus objeticos los elementos que integran la muestra.

Por último, y no menos importante, hay que destacar el TAMAÑO DE LA MUESTRA. Éste va a depender del error estándar. Se trata del volumen que posee nuestro espécimen de investigación. 

Esto es todo por hoy, y por la asignatura, ¡feliz fin de semana a todos! 

P.D.: Espero que os haya sido ameno y, en especial, que no os haya resultado demasiado arduo y complicado. 

ERRORES DE HIPOTESIS

En todo estudio de investigación en el que se analizan una serie de variables, no se puede olvidar hablar la hipótesis de dicho estudio. Tras realizar las pruebas estadísticas correspondientes, 

- Hipótesis nula (Ho): Es aquella en la que no hay relación significativa entre las dos variables.

- Hipótesis alternatuva (Ha): En la que se plantea una relación o existen diferencias significativas entre las variables.

En relación a esta hipótesis planteada cabe destacar dos tipos de errores:

- Error tipo I o alfa: El investigador rechaza la hipótesis nula siendo verdadera en la población diana e la que se plantea el estudio. El investigador concluye que existe diferencia cuando realmente no la hay.

- Error tipo II o beta: El investigador no rechaza la Ho siendo ésta falsa en la población de estudio. El investigador concluye que ha sido incapaz de encontrar una diferencia que existe en la realidad.

Ya va quedando menos ;) ¡Adiós a todos!

REGRESIÓN LINEAL Y COEFICIENTE DE CORRELACIÓN

El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables. Es un modelo matemático y estadístico que explica la relación de dependencia entre una variable dependiente, Y, con una variable independiente X.

Podemos decir que una variable puede ser explicada por el comportamiento de otra, ya que al considerarse la relación lineal suponemos que: Y= F(X) , y al ser una función lineal, Y será igual a la ecuación de la recta: Y=aX+b. 

Tras plantear esta ecuación, se puede deducir que: Y(VD)=B1(X o VI)+Bo.

(donde B1 es igual a beta sub-uno y Bo, es igual a beta sub-cero)

A continuación aplicamos la siguiente fórmula para saber cuanto vale B1: (en la imagen también podemos observr como se podría calcular Bo)

Finalmente, debemos calcular el coeficiente de correlación y el coeficiente de determinación.

- Coeficiente de correlación (r): es un número adimensional, entre 1 y -1, que mide la fuerza y el sentido de la relación libealentre dos variables.

- Coeficiente de correlación (r²): Se trata de elevar al cuadrado el coeficiente de correlación. Es un número adimensional, entre 0 y 1, que expresa el % de la relación entre la variable dependiente y la variable independiente.

Finalmente, siempre hay que realizar un test de comprobación de la hipótesis, en este caso, el test de Kendall, el cual se realiza mediante la siguiente fórmula:

Aquí os dejo un ejemplo de regresión lineal ya resuelto:

¡Hasta la próxima entrada!

TEST DE HIPÓTESIS

¡Buenas tardes a todos!

Continuaremos con los diversos test de hipótesis que utilizaremos para las variables en estudio.

En primer lugar, haremos un pequeño recordatorio de los tipos de variables:

Por tanto los test de hipótesis que deberemos emplear: (en cada uno de ellos dejaré un vídeo que explique con profundidad cada uno de ellos)

- Si se trata de una variable cualitativa frente a otra cualitativa, emplearemos una prueba de hipótesis de Chi Cuadrado.

- Si enfrentamos una cualitativa frente a una cuantitativa, el test de hipótesis correcto sería el Test de Student.

- Si son dos cuantitativas, realizamos una regresión lineal simple y el coeficiente de Pearson. Ambos conceptos los explicaremos con mayor profundidas en próximas entradas.

- En caso de ser una variable cualitativa policotómica frente a una cuantitativa, usamos el test de Anova, que sigue las directrice que vemos en las imagenes publicadas a continuación.

  

Hasta la próxima chicos ;)

TIPIFICACIÓN DE VALORES

En esta entrada hablaremos de la tipificación de valores en estadística.

La tipificación de valores se puede realizar si trabajamos con una serie de variables continuas (variable dependiente y variable independiente) que siguen una distribucciñon normal y poseen más de 100 unidades. 

La utilidad de este concepto estadístico nos permite saber si un valor cualquiera corresponde o no a la distribucción de frecuencia. Para ello, es necesario aplicar la siguiente fórmula, donde Sx corresponde a la desviación estándar, X al valor correspodiente y la otra letra restante, al valor de la media de los valores.

Espero que os haya sido de ayuda, así que os planteo un ejercicio resuelto para que lo apliquemos a la práctica.

Esto es todo por hoy :) ¡Hasta pronto!

TEMA NUEVO

Comenzamos un tema nuevo dentro del mundo de la estadística, en el que hablaremos de la hipótesis de los test de estadítica. Estos nos serán de gran ayuda para llevar a cabo nuestro proyecto de investigación y plantear los supuesto en nuestra aplicación informática de Epi-Info. 

En las siguientes entradas plantearemos casos prácticos y ejemplos para ayudar a entender estos test de hipótesis en un trabajo de investigación. Plantearé el décimo y último tema de la asignatura. 

¡Hasta pronto!

CASOS PRÁCTICOS: INFERENCIA ESTADÍSTICA

Tras varias entradas sobre inferencia estadística os dejo resultos algunos casos prácticos que vimos en clase. Espero que os sea de gran ayuda y podáis aplicar los conceptos con facilidad.

CASO PRÁCTICO 1:

Un grupo de enfermera realiza un estudio para conocer la frecuencia de lesiones causados por los sistemas de extracción de sangre por vacio. Para ello una muestra de 150 pacientes se recoge datos de las lesiones ocasionadas ayándose un total de 20 pacientes con lesiones. Se pide que  calcule el intervalo de confianza de la frecuencia de lesiones por extracciones por vacio, del 95 y 99%.

Resolución:

CASO PRÁCTICO 2:

En una investigación sobre la obesidad en la población femenina adscrita en el centro de salud se obtiene un resultado sobre una muestra representativa de 233 mujeres que el peso medio de la muestra es de 69.6 kg. Y su desviación típica es de 9.8. Se pide que se calcule el intervalo de confianza de la media del peso en toda la población adulta femenina adscrita al centro de salud para un 95 y 99 % de confianza.

Resolución:

CASO PRÁCTICO 3:

En un centro de salud se pretende realizar un estudio sobre tabaquismo, para lo que se selecciona una muestra de 337 pacientes. Los enfermeros del centro de salud encontraron que en total en la muestra había 83 fumadores habituales. Se pide que calculemos el intervalo de confianza al 95 y al 99% para la proporción de tabaquismo en el total de población del centro de salud.

Resolución:

¡Hasta la próxima!

INTERVALOS DE CONFIANZA

En la inferencia estadística y muestro, no se nos puede olvidar hablar de los intervalos de confianza (Z). Éstos son un medio de conocer el parámetro de una población midiendo el error que tiene que ver con el azar, es decir. el error aleatorio. Son un par de numeros con un nivel de confianza determinados, pudiendo asegurar que el valor del parámetro es mayor o menos que ambos números. 

El cálculo de estos intervalos de confianza se hacen considerando que el estimador muestral sigue una distribucción normal, como establece la toría central del límite. Para ello, se hace lo siguiente:

"Z" es un valor que depende del valor de confianza 1- α (α=error máximo admisible en ciencias de la salud: 5%) con que se quiere dar el intervalo. Por lo tanto, Z tiene que ver con el valor que va delnate de S en el TCL (Teorema Central del Límite). Si el intervalo de confianza (I.C.) es más alto, más probabilidad de que el intervalo esté dentro y la onda sera mayor. Por ello, hay que destacar estos niveles de confianza:

-   Para nivel de confianza 68% z=1 (No suele utilizarse un intervalo de confianza del 68% porque asumimos un error máximo del 5%)

-     Para nivel de confianza 95% z=1,96à2.

-     Para nivel de confianza 99% z=2,58à3.

El signo significa que cuando se elija el signo negativo se conseguirá el extremo del intervalo y cuando se elija el psoitivo se trendrá el extremo superior.

Mientras mayor se la confianza que queremos otrorgar al intervalo, éste será más amplio, es decir, el extremo inferior y el superior estarán más separados, siendo el intervalo menos preciso.

Esto es todo por hoy. Aquí os dejo una frase para motivaros y haceros más amena la semana... ya queda menos para el fin de semana.

Hasta la próxima entrada, espero que os haya sido de ayuda. :)

TEOREMA CENTRAL DEL LÍMITE

En continuación a la entrada anterior sobre estadística inferencial, hablaremos sobre el teorema central del límite. El TCL indica que para estimadores que pueden ser expresados coo suma de valores muestrales, la distribución de estos valores sigue una cierta tendencia a la campana de gaus, es decir, una distribución normal. En esta distribución normal la media de los valores y la desviación típica es igual al error estándar del estimador del que se trate.

En el caso que se seleccionen 100 muestras como suma de valores muestrales, la distribución de sus valores sigue una distribución normal si calculara las medias y las traspasaramos a un histograma. Además, el correspondiente error estándar coincide con la desviación estándar (S) del histogrma: le sumamos y restamos a la media una vez la distribución estándar (error estándar), nos daría un valor de 68.26% de las observaciones, como podemos observar en la siguiente imagen. Como sigue una distribución normal, sigue los pincipios básicos de ésta y, por tanto, el error estándar en % corresponde a los valores siguientes.




1S/-1S -------------------- 68,26% de las observaciones (muestras)
2S/-2S--------------------- 95,45% de las observaciones
1,95S/-1,95S-------------- 95% de las observaciones
3S/-3S------------------- 99,73%de las observaciones
2.58S/-3S--------------- 99% de las observaciones



En la próxima entrada seguiremos con los niveles de confianza. 

¡Buenas a todos! 

ESTADÍSTICA INFERENCIAL

La estadística inferencia se trata de plantear un estudio en el ámbito sanitario para establecer relaciones entre variables. Al inferir nunca tienes la seguridad se que toda la población a la que estas estudiando te de unos resultado absolutos, es decir, que existe cierto error aleatorio y permite generalizar los datos de una muestra (estimaciones, desiciones, predicciones y otras generalizaciones). Se basa en la teoría de las probabilidades y trabaja con los datos que le propociona la estadística descriptiva. Para ello, hay que tener en cuenta una serie de términos:

- Población de estudio: conjunto de pacientes o individuos sobre los que queremos sacar la conclusión del estudio.

- Muestra de estudio: conjunto de individuos concretos que participan en el estudio.

- Tamaño muestral: al numero de individuos de la muestra

- Inferencia estadística: conjunto de procedimientos estadísticos que permiten pasar de los particular (muestra) a lo general (población).

- Técnicas de muestreo: procedimientos que permiten elegir muestras de tal forma que éstas reflejen las características de la pobación, de forma que evitemos el mayor número de sesgos.

- Muestreo probabilístico: Cuando elegimos un procedimiento al azar y evaluamos el error.

- Error aleatorio probabilístico:es el error asociado a esa medida de muestreo probabilístico.

- Muestreo no probabilístico: en este caso podemos evaluar el error aleatorio, el cual es evitable.
- Error aleatorio no probabilístico: error asociado al muestreo no probabilítico

Hay que recordar que en el muestreo propabilístico, siempre que trabajemos con muestras, aunque sean represntativas (un parte de la población), se debe asumir un cierto error. 

Cuanto mayor sea el tamaño de la muestra, más se favorece la reducción del error aleatorio por probabilidad.




Además, la estadísta indiferencial conlleva un proceso en el correspondiente estudio de investigación.

PROCESO DE INFERENCIA: Bucamos una población de estudio, y la medida que seguimos se conoce como parámetro. Se hace una selección aleatoria para obtener la muestra de estudio y por último, la medida de la variable de estudio obtenida se conoce como estimador. Y. al proceso por que mediante el estimador me acerco al parámetro se llama Inferencia.











Para ello, hay que seguir una serie de pasos principales:

1. Planteamiento del problema o cuestión.
2. Elaboración de un modelo teórico.
3. Extracción de la muestra (se aplica alguna técnica de muestreo).
4. Tratamiento de los datos (eliminamos errores y tabulamos los datos).
5. Estimación de parámetros con determinadas técnicas.
6. Contraste de hipótesis. 
7. Conclusiones del estudio.

CÁLCULO DEL ERROR ESTÁNDAR: Es la medida que trata de captar la variabilidad de los valores del estimador. En este cálculo mide el grado de variabilidad en los valores del estimador en las distinas muestras de un determinado tamaño que se pueda tomar de una población. Depende de si el estimador se trata de una media o de una proporción (frecuencia relativa), la fórmula será la siguiente:

- Para medias:                                   - Para frecuencia relativa:                                     
                                                 




De ambas fórmulas podemos deducir que cuanto menor sea el error estándar de un estimador, mayor fiabilidad tiene el valor de la muestra. 
Seguiremos con más entradas. Esto es todo por el momento. ¡Feliz día a todos!

SEGUIMOS CON UN TEMA NUEVO

En el tema 9 entraremos en la estadística diferencial,  en el cual hablaremos sonbre el muestreo y estimación de un estudio de investigación. 

Continuaremos en los días siguientes, ya que debido a las continuas clases y seminarios no tendré tiempo para explicaros con profundidad la estadística inferencial. 


Que tengáis un buen fin de semana :) 

DISTRIBUCIÓN DE GAUSS Y OTRAS DISTRIBUCIONES

Las series estadísticas respresentadas en histogramas y otros gráficos dan lugar a una serie de distribuciones. En este caso, hablaremos de la distribución normal, distribución gaussiana o distribución de Gauss. 

Es una de las distribuciones de variables continuas que sirve para la creación de modelos basados en fenómenos reales. La distribución gaussiana se suele representar en histogramas y aparece una especie de curva simétrica conocida como campana de Gauss. Es simétrica respecto a los valores de posición central, pues conincide con ellos y se dan al utilizar las medidas de tendencia central. Además, es simétrica dejando la mitad de los valores por debajo del punto máximo y la mitad de los valores por encima.

Una distribución normal sigue que si al valor de la media le restamos y le sumamos la desviación estándar o, si la serie numérica siguiera una distribucción normal, dará datos de la media que varíen, observándose la dispersión a ambos lados de ésta. En este caso, la moda y la mediana se encuentra en el mismo punto que la media, en el centro de la campana. 

`                           

No obstante, esta distribución normal puede ver alterada dándose casos de asimetrías y de curtosis, aunque se pueden averiguar ambas en una misma gráfica.

ASIMETRÍAS: 

La asimetría es el lado contrario al que vemos el pico de la curva (moda), es decir, si vemos el pico hacia la derecha la asimetría es a la izquierda, y si la moda está a la izquierda la asimetría esta hacia la derecha. 

Esta asimetría se calcula a través del coeficiente de asimetría de una variable, siendo el grado de asimetría en la distribución de los datos con respecto a la media. Cuanto más asimétrica, más valores diferentes habrá. Es adimensional y los resultados posibles se muestran en la imagen derecha. 

CURTOSIS: 

No tiene que ver con las simetrías. Es el coeficiente de apuntamiento, el grado de concentración de valores que toma en torno a la media. Cuanto más se acumulen los datos más apuntada es la curva. Se elige como referencia una curva de distribución normal, su coeficiente es 0.

Esto es todo por hoy, mañana más. ¡Hasta pronto!

SERIE ESTADÍSTICA PARA VARIABLES CUANTITATIVAS CONTINUAS

En los estudios de estadística, además de los gráficos la información de los satos obtenida puede ser analizada mediante:

MEDIDAS DE TENDENCIA CENTRAL: dan información sobre el comportamiento central de los sujetos del estudio:

- Media o media aritmética: Para variables cuantitativas, se trata del centro geométrico o de gravedad de los datos. Cuando existen datos agrupados en intervalos se calcula la media aritmética ponderada o marca de clase (x= Ʃm_c (marca de clase) f_i /n). 

- Moda: Es el valor con una mayor frecuencia en la distribucción de datos. Se puede hablar de distribución bimodal, aparecen dos datos en un estudio con la misma frecuencia absoluta máxima, o distribución multimodal, cuando existen varios. Puede calcularse tanto para variables cuantitativas como cualitativas.


Cuando los datos están agrupados se calcula la clase modal que, corresponde al intervalo: Frecuencia relativa/Amplitud* ( h_i/c_i ). 

- Mediana: es una medida de posición y central. Es el valor de la observación tal que deja a un 50% de los datos menor y otro 50% de los datos mayor. Si es un nº par corresponde a la mitad entre los dos valores centrales; en cambio, si es impar el valor corresponde a la observación que ocupa la posición (n+1/2). Es de mayor uso y fiabilidad ya que posee robustez, sólo tiene en cuenta la muestra de los valores en la muestra y, por tanto, posee mejor comportamiento.

*Amplitud: se resta el intervalo mayor menos el menor.

MEDIDAS DE POSICIÓN: dan información de la magnitud, tamaño o posición de los datos, ordenados de menor a mayor. Para variables cuantitativas.

- Mediana (explicada anteriormente)

- Percentiles: Dividen a la muestra en 100 partes. Es un valor llamado "i" (Pi) donde i% de la muesta, ordenada de forma creciente, es menor que el y el % restante es mayor. El valor P50 corresponde a la mediana.

- Deciles: En este caso la dividen ordenada de forma creciente en 10 partes. El valor D5 corresponde a la mediana y, por tanto, a P50. 

- Cuartiles: Son los tres valores de la variable que dividen a un conjunto de datos en cuatro partes iguales: Q1, Q2 y Q3 determinan los valores correspondientes al 25%, al 50% y al 75% de los datos.  Q2 coincide con la mediana y, por tanto, a D5 y a P50. 

MEDIDAS DE DISPERSIÓN O VARIABILIDAD: dan información sobre la heterogenicidad de los sujetos del estudio. Son un complemento a las medidas centrales, ya que éstas dan poca información. 

- Rango o recorrido: Diferencia entre el mayor y el menor valor de la muestra (Valor absoluto).

R=lX_n-X₁l 

- Desviación media: Media aritmética de las distancias de cada observación con respecto a la media de la muestra.

- Desviación típica o estándar: Es la de mayor uso, cuantificando el error cometido si representamos una muestra únicamente por su media.

- Varianza: misma información que la D.E. pero en valores cuadráticos: V=S²

- Coeficiente de variación: Es una medida relativa y adimensional. Compara la heterogenidad de dos series numéricas con independencia de las unidades de medidas. No tiene unidades y puede expresarse como %.

- Recorrido intercuartílico: diferencia entre el tercer y el primer cuartil:  R.I.= lQ₃-Q₁l

Continuaremos con otra entrada sobre distribuciones normales, de momento esto es todo sobre serie y medidas estadísticas.

¡Buenos días a todos!

COMENZAMOS UN NUEVO TEMA

Proximamente entaremos en un nuevo tema de estadística. En él aprenderemos  a observar cuanitativamente las distintas variables. Además de las tablas y gráficos podemos encontrar una serie de fórmulas estadísticas para analizar la tendencia de los datos observados. Sólo se aplican a variables cuantitativas continuas como edad, peso, talla, tiempo, entre otras. Entre otros destcaremos:

- Medidas de tendencia central

- Medidas de posición o cuantiles

- Medidas de dispersión

Continuamos en las próximas entradas.

REPRESENTACIONES GRÁFICAS

En la bioestadística también se pueden representar datos y variables gráficamente, visualizándose de una forma característica. Hemos destacado las siguientes en clase: 

- DIAGRAMA DE BARRAS: Son utilizados para medir una variable cualitativa, concretamente para las nominales policotómicas.

Existe una variante de este tipo de gráfica para medir las variables cualitativas conocida como pictograma. 

En él, las barras se sustituten por iconos o imágenes que representan el objeto de estudio pero no aportan información adiccional alguna.

- HISTOGRAMA: Es igual que el anterior en cuanto a la variable empleada, se usan variables continuas. Dependiendo de la amplitud del intervalo se elevara la altura de la barra a una determinada frecuencia. El eje X corresponde a los intervalos en los que categorizamos esa variable y en eje Y, la frecuencia. 

En las imágenes, la línea roja representa las marcas de clases, es decir, el punto medio de cada intervalo (media aritmética entre dos intervalos). Además, la imagen de la izquierda corresponde al polígono de frecuencia, el cual se forma al unir las marcas de clase.

- G. DE TRONCO Y HOJA: Es una forma de expresar variables cuantitativas, sobre todo continuas. Veamos cómo sería la representación mediante un estudio de la tensión arterial sistólica:

Cada dato de la serie se divide en dos parte: El tronco a la izquierda (decenas) y la hoja a la derecha (unidades). El tronco es 9 porque el dato más bajo que hay de presión es 99. 

Posteriormente, se agrupan las unidades de los datos siempre siguiendo el orden en el que se han presentado.

Observamos entonces que, entre 110 y 120 están las mayores tensiones.

- G. DE SECTORES: Se emplean para variables cualitativas, con pocas categorías.

- G. DE DATOS BIDIMENSIONALES: Son variables cuantitativas en las que se relacionan datos en dos dimensiones formando un gráfico de este tipo:

Finalmente, dejo adjunto un caso práctico del mismo tipo al que se planteó en clase y en el que se emplean este tipo de gráficas. 

CASO PRÁCTICO: Tenemos 40 pacientes con sobrepeso. Los pesamos y obtenemos los siguientes resultados:      

 Siendo la muesta: n=40 Tenemos estos datos agrupados:

94           96           92           92           96

83           91           90           81           89

84           84           86           87           81

92           81           96           99           83

89           85           89           93           89

93           88           88           82           96

99           99           100         87           87

89           89           95           97           98

En este estudio realizar: Tabla de frecuencias, histograma y diagrama tronco-hoja.

Calculamos:

Recorrido= 100 – 81 = 19

√40= 6,32 à Tomaremos 6 intervalos.

Amplitud=19/6 =3.16

A continuación, calculamos las frecuencias correspondientes para nuestra tabla según lo aprendido:

Peso en Kg	fi	Fi	hi	Hi
[81-84) Mc=82.5	6	6	0.15	0.15
[84-87) Mc= 85.5	4	10	0.1	0.25
[87-90) Mc=88.5	11	21	0.275	0.525
[90-93) Mc=91.5	5	26	0.125	0.65
[93-96) Mc=94.5	4	30	0.1	0.75
>96	10	40	0.25	1

Luego, agrupamos los datos en decenas y unidades para realizar el gráfico de tronco y hoja de este estudio.

8      l       3 1 4 4 6 7 1 1 3 9 5 9 9 8 8 2 7 7 9 9

9      l      4 6 2 2 6 1 0 2 6 9 3 3 6 9 9 5 7 8

10    l       0

No se pone la línea porque es una distribución asimétrica.

Finalmente, para el histograma añadimos al eje X los valores de peso en Kg y en el eje Y la frecuencia en la que se repite ese valor obtiéndose una gráfica algo parecida a la siguiente:

Y aquí, acabamos con el tema 7 de la asignatura :) ¡Hasta luego!