Checkpoint Consolidado — JASP ESMA 3101

Capítulo 2 — Gráficas Estadísticas

Brase, Cap. 2 · Lecciones 1–15

Mapa Verificado

Gráfica	Ruta JASP	Dataset	Estado
Histograma	Descriptives > Distribution plots	BodyFat.csv	✓ Verificado
Stem and Leaf	Descriptives > Tables > Stem and leaf tables	aprovechamiento.csv	✓ Verificado
Bar chart	Descriptives > Distribution plots	strokedata.csv	✓ Verificado
Pareto chart	Descriptives > Categorical Plots > Pareto plots	strokedata.csv	✓ Verificado
Pie chart	Descriptives > Basic Plots > Pie charts	datarestaurantes.csv	✓ Verificado
Time Series	Time Series > Descriptives	GlobalTemperature_fecha.csv	✓ Verificado
Scatter plot	Descriptives > Plots > Scatter plots	BodyFat.csv	✓ Verificado
Tabla de frecuencias con intervalos	—	—	✍ A mano

Gotchas Verificados — Cap. 2

#	Situación	Comportamiento correcto en JASP 0.98.1
1	Histograma — número de bins	El default de JASP es Sturges. Cambiar a Bin width type: Manual y calcular k = √n redondeado para los ejercicios del Brase.
2	Stem and Leaf — ubicación	Está bajo Tables, no bajo Plots. scale = 1 produce la salida más legible.
3	Pareto chart — etiquetas	Activar Tilt x-axis labels obligatoriamente. Sin esta opción las etiquetas se superponen.
4	Time Series — formato de fecha	JASP rechaza años como enteros. La columna Date debe estar en formato yyyy-mm-dd. GlobalTemperature_fecha.csv ya tiene el formato correcto.
5	Pie chart — control de etiquetas	El control de etiquetas no está disponible en el GUI. Se usa como demostración pedagógica negativa únicamente.

Capítulo 3 — Medidas Descriptivas

Brase, Cap. 3 · Dataset principal: BodyFat.csv (n = 252)

Mapa Verificado

Estadística	Ruta JASP	Estado
Media, Mediana	Descriptives > Statistics > Central Tendency	✓ Verificado
Moda	A mano — datos discretos únicamente	✍ A mano
Varianza, SD	Descriptives > Statistics > Dispersion	✓ Verificado
Coef. de Variación	Descriptives > Statistics > Dispersion > Coefficient of variation	✓ Verificado — reporta proporción decimal
IQR	Descriptives > Statistics > Dispersion > IQR	✓ Verificado
Five Number Summary	Descriptives > Statistics > Quartiles	✓ Verificado
Trimmed Mean 5%	R Console: mean(data[[Var]], trim = 0.05)	✓ Verificado
Weighted Mean	—	✍ A mano
Boxplot individual	Descriptives > Plots > Boxplot Element	✓ Verificado
Boxplots comparativos	Descriptives > Plots > Boxplot + Split box	✓ Verificado
Teorema de Chebyshev	—	✍ A mano

Gotchas Verificados — Cap. 3

#	Situación	Comportamiento correcto en JASP 0.98.1
1	CV — conversión obligatoria	JASP reporta el Coeficiente de Variación como proporción decimal (0.4370). El Brase lo expresa como porcentaje (43.70%). El estudiante debe multiplicar por 100.
2	Moda en datos continuos	JASP usa estimación por densidad kernel (KDE), que no es apropiada para el nivel del curso. La moda se enseña a mano usando solo datos discretos.
3	Varianza y SD muestrales	JASP calcula con denominador n − 1. Correcto para ESMA 3101, donde siempre se trabaja con muestras.
4	Trimmed Mean 5% — R Console requerida	El GUI de JASP no ofrece esta opción. Se usa la R Console.
5	Boxplots comparativos — orden obligatorio	La variable numérica va en el cuadro Variables; la variable categórica va en el cuadro Split. Invertirlo produce error.

Trimmed Mean 5% — R Console

R Console — Ejecute con Ctrl+Enter

mean(data[["% Body Fat"]], trim = 0.05)

19.07632

mean() calcula la media aritmética. El argumento data[["% Body Fat"]] accede a la columna % Body Fat del dataset cargado en JASP — las variables son vectores individuales, no un data frame completo. El argumento trim = 0.05 indica que se elimina el 5% de los valores más pequeños y el 5% de los más grandes antes de calcular la media. El resultado 19.07632 es la media recortada al 5% para la variable % Body Fat de BodyFat.csv (n = 252).

Capítulo 4 — Probabilidad y Reglas de Conteo

Brase, Cap. 4 · Lecciones 16–25

Capítulo completamente manual. Las reglas de conteo (permutaciones, combinaciones), la probabilidad clásica, condicional y los diagramas de árbol son ejercicios conceptuales y algebraicos. No requieren software. Esta no es una brecha de JASP — el Brase enseña estos temas sin software en todos sus cursos.

Capítulo 5 — Distribuciones Discretas

Brase, Sec. 5.1–5.4 + Geométrica · Lecciones 26–34

Prerequisito: El módulo Distributions no aparece en el ribbon por defecto en algunas instalaciones. Si no aparece: Preferences > Modules > Distributions > Install.

Sección 5.1 — Variables Aleatorias y Distribución de Probabilidad

Todo el contenido de Sec. 5.1 (tablas de distribución arbitraria, µ = Σ[x · P(x)], σ para tabla arbitraria) se enseña a mano. JASP Distributions opera únicamente con distribuciones estándar parametrizadas — no acepta tablas P(x) definidas por el usuario.

Secciones 5.2–5.3 — Distribución Binomial

Dataset: Challenger.csv (n = 23 vuelos) · p̂ = 7/23 ≈ 0.304

Tema	Panel JASP	Estado
4 condiciones de Bernoulli	No aplica — conceptual	✍ A mano
Fórmula P(r) = C(n,r)·pʳ·q^(n-r)	No aplica — enseñar primero	✍ A mano
P(X = k)	Distributions > Binomial > Mass, intervalo k ≤ X ≤ k	✓ Verificado
P(X ≤ k)	Distributions > Binomial > Cumulative Probability, 0 ≤ X ≤ k	✓ Verificado
P(X ≥ k)	Complemento: 1 − P(X ≤ k−1)	✓ Verificado
Histograma PMF	Distributions > Binomial > Probability mass function	✓ Verificado
µ = np y Var(X) = np(1−p)	Distributions > Binomial > Parameters, support, and moments — fórmulas simbólicas	✓ Verificado

Valores Verificados — Binomial (n=23, p=0.304)

Cálculo	Parámetros JASP	Valor verificado
P(X = 7)	n=23, p=0.304, Mass 7 ≤ X ≤ 7	≈ 0.18
P(X ≤ 7)	n=23, p=0.304, Cumulative 0 ≤ X ≤ 7	≈ 0.60
P(X ≥ 7)	1 − P(X ≤ 6)	≈ 0.40

Sección 5.4 — Distribución de Poisson

Tema	Panel JASP	Estado
Condiciones — eventos raros en intervalo	No aplica — conceptual	✍ A mano
Fórmula P(r) = e^(−λ)·λ^r / r!	No aplica — enseñar primero	✍ A mano
P(X = k)	Distributions > Poisson > Mass, k ≤ X ≤ k	✓ Verificado
P(X ≤ k)	Distributions > Poisson > Cumulative Probability, 0 ≤ X ≤ k	✓ Verificado
P(X ≥ k)	Complemento: 1 − P(X ≤ k−1)	✓ Verificado
Histograma PMF	Distributions > Poisson > Probability mass function	✓ Verificado
E(X) = λ y Var(X) = λ	Distributions > Poisson > Parameters, support, and moments — fórmulas simbólicas	✓ Verificado
σ = √λ	No reportado directamente	✍ A mano

Valores Verificados — Poisson (λ = 2)

Cálculo	Parámetros JASP	Valor verificado
P(X = 2)	λ=2, Mass 2 ≤ X ≤ 2	≈ 0.27
P(X ≤ 2)	λ=2, Cumulative 0 ≤ X ≤ 2	≈ 0.68
P(X ≥ 3)	1 − P(X ≤ 2)	≈ 0.32
E(X) = λ	Parameters/moments	= 2 (simbólico)
Var(X) = λ	Parameters/moments	= 2 (simbólico)

Distribución Geométrica — Estado Especial

JASP 0.98.1. El panel Parameters, support, and moments de la distribución Geométrica muestra parámetros N, K, n y fórmulas E(X) = n×K/N de la Hipergeométrica. Issue abierto en jasp-stats/jasp-issues (número pendiente). Fecha de reporte: 24 julio 2026.

Tema	Panel JASP	Estado
P(X = k), P(X ≤ k)	Distributions > Geometric > Mass / Cumulative Probability	✓ Usable con gotcha
Histograma PMF	Distributions > Geometric > Probability mass function	✓ Verificado
Parameters, support, and moments	BUG — muestra parámetros de Hipergeométrica	❌ Bug — NO usar
µ = 1/p y σ = √(q/p²)	R Console	✍ R Console — obligatorio

Convención R vs. Brase. R define X = número de fracasos antes del primer éxito (support desde 0). El Brase define n = número total de ensayos hasta el primer éxito (support desde 1). Conversión: n_Brase = x_JASP + 1.

Comandos R Console — Distribución Geométrica

R Console — dgeom() | Probabilidad puntual P(X = x) | Ejecute con Ctrl+Enter

dgeom(0, prob = 0.304)

[1] 0.304

dgeom() calcula P(X = x) de la distribución Geométrica. El primer argumento (0) es el número de fracasos antes del primer éxito — en este ejemplo, éxito en el primer intento, es decir, cero fracasos. prob = 0.304 es la probabilidad de éxito por ensayo, estimada de Challenger.csv como p̂ = 7/23. En notación del Brase, x = 0 fracasos equivale a n = 1 ensayo (n_Brase = x_R + 1).

R Console — pgeom() | Probabilidad acumulada P(X ≤ x) | Ejecute con Ctrl+Enter

pgeom(2, prob = 0.304)

[1] 0.6628465

pgeom() calcula P(X ≤ x). El argumento 2 indica a lo sumo 2 fracasos antes del primer éxito. En notación del Brase, esto equivale a P(n ≤ 3) — el primer éxito ocurre en los primeros 3 ensayos.

R Console — qgeom() | Cuantil / función inversa | Ejecute con Ctrl+Enter

qgeom(0.50, prob = 0.304)

[1] 1

qgeom() es la inversa de pgeom() — devuelve el valor x tal que P(X ≤ x) = p. El argumento 0.50 busca la mediana. El resultado 1 significa que la mediana es 1 fracaso antes del primer éxito, equivalente a n_Brase = 2 ensayos.

R Console — Desviación estándar σ = √((1−p)/p²) | Ejecute con Ctrl+Enter

sqrt((1 - 0.304) / 0.304^2)

[1] 2.744297

Esta expresión calcula σ de la distribución Geométrica directamente. 1 - 0.304 es q = 1 − p. 0.304^2 eleva p al cuadrado. sqrt() toma la raíz cuadrada del cociente resultante.

Gotchas Consolidados — Cap. 5

#	Situación	Comportamiento correcto en JASP 0.98.1
1	Módulo Distributions no aparece	Preferences > Modules > Distributions > Install. En Fedora Flatpak no viene activo por defecto.
2	P(X = k) — el número está en la gráfica	El valor aparece como línea punteada en el eje Y del histograma, no en tabla numérica. El estudiante lee el valor del eje Y.
3	P(X ≥ k) — complemento siempre a mano	Tanto en Binomial como en Poisson: P(X ≥ k) = 1 − P(X ≤ k−1). JASP no lo reporta directamente.
4	µ y Var(X) — fórmulas simbólicas, no números	Parameters/moments muestra E(X) = np o E(X) = λ en notación simbólica. El estudiante sustituye y calcula.
5	σ — nunca aparece directamente	JASP reporta Var(X), nunca σ. Binomial: σ = √(npq). Poisson: σ = √λ.
6	Poisson — rango de x	Support ilimitado. Con λ grande, aumentar Range of x a λ + 4√λ para no truncar la distribución.
7	Geométrica — convención de x	JASP usa x = fracasos antes del primer éxito (support desde 0). El Brase usa n = ensayos hasta el primer éxito (support desde 1). Conversión: n_Brase = x_JASP + 1.
8	Geométrica — bug en Parameters/Moments	El panel muestra parámetros de la Hipergeométrica. No activar con estudiantes. Bug reportado en jasp-stats/jasp-issues.

Capítulo 6 — Distribución Normal

Brase, Cap. 6 · Módulo: Distributions > Normal

Mapa Verificado

Tarea	Ruta JASP	Estado
Curva normal (campana)	Distributions > Normal > Probability density function	✓ Verificado
P(Z ≤ z)	Mean=0, Var=1, opción from −∞ to z	✓ Verificado
P(Z ≥ z)	Complemento: 1 − P(Z ≤ z), usar opción from z to ∞	✓ Verificado
P(z₁ ≤ Z ≤ z₂)	Mean=0, Var=1, opción from z₁ to z₂	✓ Verificado
P(X ≤ x), N(µ, σ²)	Mean=µ, Variance=σ², opción from −∞ to x	✓ Verificado
P(X ≥ x)	Complemento: 1 − P(X ≤ x)	✓ Verificado
P(x₁ ≤ X ≤ x₂)	from x₁ to x₂	✓ Verificado
Normal inversa — gráfica	Distributions > Normal > Quantile function (solo gráfica)	Parcial
Normal inversa — valor exacto	R Console: qnorm(p, mean, sd)	✓ Verificado
Distribución muestral x̄	Mean=µ, Variance=σ²/n (calcular σ²/n a mano)	✓ Verificado
Regla empírica	A mano — ilustrar con probabilidades de JASP como verificación	✍ A mano + JASP
Corrección de continuidad	A mano — JASP no la automatiza	✍ A mano

Valores Verificados en JASP 0.98.1

Cálculo	Configuración	Resultado verificado
P(0 ≤ Z ≤ 1)	Mean=0, Var=1, from 0 to 1	0.34
P(Z ≤ −1)	Mean=0, Var=1, from −∞ to −1	0.16
P(−1 ≤ Z ≤ 1)	Mean=0, Var=1, from −1 to 1	0.68
P(290 ≤ X ≤ 305), N(300, 100)	Mean=300, Var=100, from 290 to 305	0.53
P(X ≤ 365), N(300, 2500)	Mean=300, Var=2500, from −∞ to 365	0.90

Normal Inversa — R Console

R Console — qnorm() | Normal inversa | Ejecute con Ctrl+Enter

qnorm(0.03, mean = 10, sd = 2)

[1] 6.238413

qnorm() es la función cuantil de la Normal — la inversa de pnorm(). El primer argumento (0.03) es la probabilidad acumulada p deseada. mean = 10 es µ. sd = 2 es σ — no la varianza (pnorm y qnorm en R usan desviación estándar, a diferencia del GUI de JASP que usa varianza). El resultado 6.238413 es el valor x tal que P(X ≤ x) = 0.03. Interpretación para el ejemplo del motor (Brase pág. 6|33): la garantía debe ser de 6.24 años para que solo falle el 3% de los motores.

R Console — pnorm() | Probabilidad acumulada | Ejecute con Ctrl+Enter

pnorm(365, mean = 300, sd = 50)

[1] 0.9031995

pnorm() calcula P(X ≤ x) para una distribución Normal. El primer argumento (365) es el valor de x. mean = 300 es la media µ. sd = 50 es la desviación estándar σ — no la varianza (pnorm usa SD, a diferencia del GUI de JASP que usa varianza).

pnorm/qnorm usan SD, no varianza. La R Console de JASP ejecuta funciones estándar de R. pnorm y qnorm reciben el argumento sd (desviación estándar σ). El GUI del panel Normal usa Variance (σ²). No confunda los dos contextos.

Gotchas Verificados — Cap. 6

#	Situación	Comportamiento correcto en JASP 0.98.1
1	Varianza vs. desviación estándar	El GUI pide σ²; pnorm/qnorm piden sd = σ. Error silencioso en ambos casos si se confunden.
2	Rango visible automático	El display usa µ ± 3.49√(σ²). Para N(300, 2500): rango 100 a 500. JASP lo ajusta automáticamente.
3	Regla empírica usa σ, JASP pide σ²	Al demostrar P(µ − σ ≤ X ≤ µ + σ), calcular los límites a mano y escribirlos en los campos del intervalo.
4	Quantile function — solo gráfica	No produce valor numérico. Para la Normal inversa con precisión de tabla: usar qnorm() en R Console.
5	Distribución muestral — no hay panel automático	Calcular σ²_x̄ = σ²/n a mano y escribirlo en el campo Variance.
6	Corrección de continuidad (Sec. 6.6)	JASP no la aplica. El estudiante ajusta ±0.5 antes de escribir el límite en el panel.

Regresión Lineal Simple

Lecciones 22–25 · Brase, Sec. 9.1–9.3 · Dataset: spurs.csv (n = 17)

Mapa Verificado

Función	Ruta JASP	Estado
Ecuación y coeficientes	Regression > Linear Regression > Coefficients table	✓ Verificado
R², R²_adj, RMSE	Regression > Linear Regression > Model Summary	✓ Verificado
Tabla ANOVA (SS, MS, F, p)	Regression > Linear Regression > ANOVA table	✓ Verificado
Casewise Diagnostics	Activar > cambiar umbral de 3 a 2	✓ Verificado
Q-Q plot residuales estánd.	Plots > Q-Q plot standardized residuals	✓ Verificado
Residuals vs. Fitted	Plots > Residuals vs. predicted	✓ Verificado
Histograma de residuales	Plots > Residuals histogram > Standardized residuals	✓ Verificado
Scatter plot residuales vs. orden	Regression > Correlation > Scatter plots (crear columna Orden primero)	✓ Verificado
Predicción con IC y PI	R Console: predict()	✓ Verificado

Ecuación Verificada

P̂TS = −49.914 + 0.4665 × MP

Parámetro	Valor verificado
n	17
x̄ (MP)	1,173.8 minutos
RMSE (S)	86.78
Observación inusual	Boris Diaw — Std. Resid = −2.069

Predicción con IC y PI — R Console

R Console — Paso 1: Ajustar el modelo | Ejecute con Ctrl+Enter

modelo <- lm(PTS ~ MP, data = data)

lm() ajusta un modelo de regresión lineal por mínimos cuadrados. PTS ~ MP especifica PTS como variable dependiente y MP como predictor. data = data indica que las variables se toman del dataset cargado en JASP, disponible como objeto data en la R Console.

R Console — Paso 2: Intervalo de confianza para la media (IC) | Ejecute con Ctrl+Enter

predict(modelo, newdata = data.frame(MP = 1800), interval = "confidence")

fit lwr upr 1 789.834 731.303 848.365

predict() calcula el valor predicho y su intervalo. newdata = data.frame(MP = 1800) especifica el nuevo valor del predictor para el que se quiere predecir. interval = "confidence" produce el intervalo de confianza al 95% para la media de PTS de todos los jugadores con 1800 minutos. fit es el valor predicho ŷ; lwr y upr son los límites inferior y superior.

R Console — Paso 3: Intervalo de predicción para un individuo (IP) | Ejecute con Ctrl+Enter

predict(modelo, newdata = data.frame(MP = 1800), interval = "prediction")

fit lwr upr 1 789.834 595.836 983.832

interval = "prediction" produce el intervalo de predicción al 95% para un jugador individual con 1800 minutos. Es considerablemente más ancho que el intervalo de confianza porque incorpora la variabilidad individual además de la incertidumbre en la estimación de la media. Esta diferencia entre IC e IP es la lección central de la sección de predicción: predecir para un individuo siempre es más incierto que estimar una media poblacional.

Verificación de consistencia. El valor fit = 789.834 es consistente con la ecuación verificada: −49.914 + 0.4665 × 1800 = 789.786. La diferencia de 0.048 se debe al redondeo de los coeficientes en la ecuación. predict() usa los coeficientes completos sin redondear.

Gotchas Verificados — Regresión

#	Situación	Comportamiento correcto en JASP 0.98.1
1	Casewise Diagnostics — umbral	El default de JASP es ±3. Para replicar el criterio estándar de Minitab y el Brase, cambiar a ±2.
2	Export de residuales — orden de activación	Activar el checkbox primero, luego escribir el nombre en el campo Column name, luego seleccionar el tipo. Escribir el nombre antes de activar no funciona.
3	Columna de número de fila	nrow(data), seq(), y seq_len() no funcionan en columnas computadas. La fórmula validada es: cumsum(rep(1, length(PTS)))
4	Jamovi descartado para regresión	No produce residuales estandarizados en scatterplots ni tabla casewise diagnostics equivalente a Minitab.

Tabla Consolidada — Comandos R Console Verificados

Todos los comandos de R Console en el alcance de ESMA 3101. Ejecutar uno a uno — la R Console de JASP no admite ejecución de múltiples líneas simultáneas.

Comando	Cap.	Resultado verificado
mean(data[["Var"]], trim = 0.05)	Cap. 3	19.07632 (BodyFat)
dgeom(x, prob = p)	Cap. 5	0.304 para x = 0, p = 0.304
pgeom(x, prob = p)	Cap. 5	0.6628465 para x = 2, p = 0.304
qgeom(prob, prob = p)	Cap. 5	1 para p = 0.50, p = 0.304
sqrt((1 - p) / p^2)	Cap. 5	2.744297 para p = 0.304
pnorm(x, mean, sd)	Cap. 6	0.9031995 para x = 365, µ = 300, σ = 50
qnorm(p, mean, sd)	Cap. 6	6.238413 para p = 0.03, µ = 10, σ = 2
lm(Y ~ X, data = data)	Reg.	Modelo Spurs: PTS ~ MP
predict(modelo, newdata, interval = "confidence")	Reg.	fit=789.834, IC: (731.303, 848.365)
predict(modelo, newdata, interval = "prediction")	Reg.	fit=789.834, IP: (595.836, 983.832)

Datasets del Curso

Dataset	n	Uso principal
BodyFat.csv	252	Dataset áncla del semestre — Cap. 2, 3
aprovechamiento.csv	40	Stem and Leaf (Cap. 2)
healthcaredatasetstrokedata.csv	5,110	Bar chart, Pareto (Cap. 2)
datarestaurantes_largo.csv	590	Pie chart, demo negativa (Cap. 2)
GlobalTemperature_fecha.csv	139	Time Series, formato yyyy-mm-dd (Cap. 2)
Challenger.csv	23	Binomial, Geométrica (Cap. 5)
spurs.csv	17	Regresión lineal simple (Lecciones 22–25)

Próximos Pasos

Registrar número de issue de GitHub del bug de la Geométrica (pendiente de asignación por jasp-stats/jasp-issues).
Actualizar los checkpoints individuales de Cap. 3 y Cap. 5 para reflejar la incorporación de R Console.
Preparar carta institucional contingente (solo si Minitab no es renovado).
Generar reporte formal de horas de trabajo para récord institucional.

Checkpoint Consolidado — JASP para ESMA 3101

Resumen Ejecutivo

Capítulo 2 — Gráficas Estadísticas

Mapa Verificado

Gotchas Verificados — Cap. 2

Capítulo 3 — Medidas Descriptivas

Mapa Verificado

Gotchas Verificados — Cap. 3

Trimmed Mean 5% — R Console

Capítulo 4 — Probabilidad y Reglas de Conteo

Capítulo 5 — Distribuciones Discretas

Sección 5.1 — Variables Aleatorias y Distribución de Probabilidad

Secciones 5.2–5.3 — Distribución Binomial

Valores Verificados — Binomial (n=23, p=0.304)

Sección 5.4 — Distribución de Poisson

Valores Verificados — Poisson (λ = 2)

Distribución Geométrica — Estado Especial

Comandos R Console — Distribución Geométrica

Gotchas Consolidados — Cap. 5

Capítulo 6 — Distribución Normal

Mapa Verificado

Valores Verificados en JASP 0.98.1

Normal Inversa — R Console

Gotchas Verificados — Cap. 6

Regresión Lineal Simple

Mapa Verificado

Ecuación Verificada

Predicción con IC y PI — R Console

Gotchas Verificados — Regresión

Tabla Consolidada — Comandos R Console Verificados

Datasets del Curso

Próximos Pasos