Guía de JASP — ESMA 3101

Capítulo 2 — Gráficas Estadísticas

Brase, Cap. 2 · Lecciones 1–15

Mapa Rápido

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

Histograma — BodyFat.csv, variable % Body Fat

#	Acción	Detalle
1	Abrir el dataset	Abra File > Open > BodyFat.csv. Verifique que la variable % Body Fat tenga ícono de escala (naranja).
2	Activar Descriptives	Vaya a Analyses > Descriptives > Descriptive Statistics. Mueva % Body Fat al cuadro Variables.
3	Activar histograma	En el panel derecho, active Plots > Distribution plots.
4	Cambiar número de bins	Cambie el tipo de bin: Bin width type: Manual. Escriba 16 en Number of bins (k = √252 ≈ 16).

El default de JASP es Sturges (automático). Siempre cambie a Manual y calcule k = √n redondeado para los ejercicios del Brase.

Stem and Leaf — aprovechamiento.csv

#	Acción	Detalle
1	Abrir el dataset	Abra File > Open > aprovechamiento.csv.
2	Activar Descriptives	Vaya a Analyses > Descriptives > Descriptive Statistics. Mueva aprovechamiento al cuadro Variables.
3	Activar Stem and Leaf	Active Tables > Stem and leaf tables.
4	Configurar escala	Deje scale = 1 (el default). Esta configuración produce la salida más legible.

Stem and Leaf está bajo Tables, no bajo Plots. Es un error común buscarlo en la sección de gráficas.

Pareto Chart — strokedata.csv

#	Acción	Detalle
1	Abrir el dataset	Abra File > Open > healthcaredatasetstrokedata.csv.
2	Activar Descriptives	Vaya a Analyses > Descriptives > Descriptive Statistics. Mueva la variable categórica (ej. smoking_status) al cuadro Variables.
3	Activar Pareto	Active Categorical Plots > Pareto plots.
4	Rotar etiquetas	Active Tilt x-axis labels. Sin esta opción las etiquetas se superponen.

Time Series — GlobalTemperature_fecha.csv

#	Acción	Detalle
1	Abrir el dataset	Abra File > Open > GlobalTemperature_fecha.csv.
2	Activar Time Series	Vaya a Analyses > Time Series > Time Series Descriptives.
3	Asignar variable	Mueva J-D (temperatura anual) al cuadro Variable.
4	Asignar tiempo	Mueva Date al cuadro Time. La columna Date debe estar en formato yyyy-mm-dd.

JASP rechaza años como números enteros. El dataset GlobalTemperature_fecha.csv ya tiene la columna Date en el formato correcto (yyyy-mm-dd). Si usa otro dataset, verifique el formato antes de comenzar.

Capítulo 3 — Medidas Descriptivas

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

Mapa Rápido

Estadística	Ruta JASP	Notas
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	JASP reporta proporción decimal — multiplicar × 100
IQR	Descriptives > Statistics > Dispersion > IQR	✓ Verificado
Five Number Summary	Descriptives > Statistics > Quartiles	✓ Verificado
Trimmed Mean 5%	R Console	✍ R Console
Weighted Mean	A mano	✍ A mano
Boxplot individual	Descriptives > Plots > Boxplot Element	✓ Verificado
Boxplots comparativos	Descriptives > Plots > Boxplot + Split box	Ver instrucciones abajo

Media, Mediana, Varianza, SD, CV, IQR

#	Acción	Detalle
1	Abrir el dataset	Abra File > Open > BodyFat.csv.
2	Activar Descriptives	Vaya a Analyses > Descriptives > Descriptive Statistics. Mueva % Body Fat al cuadro Variables.
3	Seleccionar estadísticas	En Statistics, active: Mean, Median, Std. deviation, Variance, Coefficient of variation, IQR.
4	Five Number Summary	Active Statistics > Quartiles. JASP reporta Q1, Q2 (mediana), Q3, mínimo y máximo.

JASP reporta el Coeficiente de Variación como proporción decimal (ej. 0.4370). El Brase lo expresa como porcentaje (43.70%). El estudiante debe multiplicar por 100.

JASP calcula varianza y desviación estándar con denominador n − 1 (muestral). Correcto para ESMA 3101.

La moda se enseña a mano usando solo datos discretos. JASP usa estimación por densidad kernel (KDE) para datos continuos, lo cual no es apropiado para el nivel del curso.

Trimmed Mean 5% — R Console

El GUI de JASP no ofrece media recortada. Use la R Console:

R Console — Abra con: R console en el ribbon | 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. 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).

Boxplot Individual y Comparativo

Boxplot individual

#	Acción	Detalle
1	Activar Descriptives	Con % Body Fat en Variables, active Plots > Boxplot Element.
2	Interpretar	El boxplot muestra Q1, mediana, Q3, bigotes y valores atípicos (puntos fuera de los bigotes).

Dos boxplots comparativos

#	Acción	Detalle
1	Asignar variables	Mueva la variable numérica al cuadro Variables. Mueva la variable categórica al cuadro Split. Este orden es obligatorio — invertirlo produce error.
2	Activar boxplot	Active Plots > Boxplot Element.
3	Color	Active Color palette para distinguir los grupos visualmente.

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.

Distribución Binomial — Challenger.csv

Dataset: Challenger.csv (n = 23 vuelos). Probabilidad empírica de fallo de O-ring: p̂ = 7/23 ≈ 0.304.

#	Acción	Detalle
1	Abrir módulo	Analyses > Distributions > Binomial.
2	Configurar n	Fixed parameter > Number of trials: escribir 23.
3	Configurar p	Free parameter > Probability of success: escribir 0.304.
4	Activar PMF	Display > Probability mass function. El histograma aparece de inmediato.

P(X = k) — Probabilidad exacta

#	Acción	Detalle
1	Activar Mass	En Highlight, active el checkbox Mass.
2	Escribir intervalo	Interval: escribir 7 en el primer campo y 7 en el segundo (7 ≤ X ≤ 7).
3	Leer el resultado	La línea punteada en el histograma indica P(X = 7) ≈ 0.18.

JASP muestra el valor de probabilidad como línea punteada en la gráfica, no como número en una tabla. El estudiante lee el valor del eje Y.

P(X ≤ k) — Probabilidad acumulada

#	Acción	Detalle
1	Activar CDF	Display > Cumulative distribution function. Desactivar Probability mass function.
2	Activar Cumulative Probability	Highlight > Cumulative Probability.
3	Escribir intervalo	Interval: 0 en el primer campo y 7 en el segundo (0 ≤ X ≤ 7).
4	Leer el resultado	La línea punteada marca P(X ≤ 7) ≈ 0.60.

P(X ≥ k) — Probabilidad del complemento

#	Acción	Detalle
1	Mismo panel CDF	Mantener Cumulative distribution function activado.
2	Obtener P(X ≤ k−1)	Cambie el intervalo a 0 ≤ X ≤ 6. Lea el valor P(X ≤ 6).
3	Calcular a mano	P(X ≥ 7) = 1 − P(X ≤ 6). Resultado verificado: P(X ≥ 7) ≈ 0.40.

JASP no reporta P(X ≥ k) directamente. Siempre calcular el complemento: P(X ≥ k) = 1 − P(X ≤ k−1).

Media y Varianza — Sección 5.3

#	Acción	Detalle
1	Activar el panel	Display > Parameters, support, and moments.
2	Leer el output	JASP muestra: E(X) = np y Var(X) = np(1−p) en notación simbólica.
3	Calcular	Con n = 23, p = 0.304: µ = 23 × 0.304 = 6.992. Var(X) = 23 × 0.304 × 0.696 = 4.866. σ = √4.866 ≈ 2.206.

JASP reporta las fórmulas simbólicas, no los valores numéricos calculados. El estudiante sustituye n y p manualmente.

Distribución de Poisson

#	Acción	Detalle
1	Abrir módulo	Analyses > Distributions > Poisson.
2	Configurar λ	Parameter > Rate: λ — escribir el valor de lambda. Ejemplo: λ = 2.
3	Activar PMF	Display > Probability mass function. El histograma aparece de inmediato.
4	Ajustar rango	Options > Range of x: ajustar el límite superior según λ. Regla práctica: límite ≈ λ + 4√λ.

El único parámetro es λ (Rate). No hay n ni p como en la Binomial.

JASP reporta Var(X) = λ en notación simbólica. El estudiante calcula σ = √λ a mano.

Distribución Geométrica — R Console

Bug en JASP 0.98.1. El panel Parameters, support, and moments de la distribución Geométrica muestra información incorrecta (parámetros de la Hipergeométrica). Use exclusivamente la R Console para µ y σ de esta distribución.

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_R + 1.

Abra la R Console (R console en el ribbon). Ejecute cada comando por separado con Ctrl+Enter:

Probabilidad puntual P(X = x)

R Console — 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.

Probabilidad acumulada P(X ≤ x)

R Console — 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.

Cuantil — función inversa

R Console — 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.

Desviación estándar σ = √((1 − p) / p²)

R Console — 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.

Capítulo 6 — Distribución Normal

Brase, Cap. 6 · Módulo: Distributions > Normal

Mapa Rápido

Tarea	Ruta JASP	Sec. Brase
Curva normal (campana)	Distributions > Normal > Probability density function	6.1
P(Z ≤ z)	Mean=0, Var=1, opción from −∞ to z	6.2
P(Z ≥ z)	Complemento: 1 − P(Z ≤ z)	6.2
P(z₁ ≤ Z ≤ z₂)	Mean=0, Var=1, opción from z₁ to z₂	6.2
P(X ≤ x), N(µ, σ²)	Mean=µ, Variance=σ², opción from −∞ to x	6.3
P(X ≥ x)	Complemento: 1 − P(X ≤ x)	6.3
P(x₁ ≤ X ≤ x₂)	from x₁ to x₂	6.3
Normal inversa (valor exacto)	R Console: qnorm(p, mean, sd)	6.3
Distribución muestral x̄	Mean=µ, Variance=σ²/n (calcular σ²/n a mano)	6.4–6.5
Aprox. Normal a Binomial	Aplicar corrección ±0.5 a mano, luego GUI Normal	6.6

Configuración del Panel Normal

#	Acción	Detalle
1	Abrir módulo	Vaya a Analyses > Distributions > Normal.
2	Configurar parámetros	Escriba µ en el campo Mean y σ² en el campo Variance.
3	Activar CDF	Active Display > Cumulative distribution function.
4	Seleccionar tipo de probabilidad	Seleccione el radio button correspondiente según la tabla de referencia abajo.

Opción	Cuándo usarla
from [a] to [b]	P(a ≤ X ≤ b)
from −∞ to [b]	P(X ≤ b)
from [a] to ∞	P(X ≥ a)

El campo es Variance (σ²), no desviación estándar. Para N(300, σ = 50): escriba Mean = 300 y Variance = 2500 (50² = 2500). Si escribe 50 en Variance, JASP no avisa del error y produce resultados incorrectos.

Al usar from [a] to [b], escriba primero el límite derecho (b). Si el campo izquierdo tiene un valor mayor que el derecho, JASP marca error.

Ejemplos Verificados — Sección 6.3

Ejemplo 1. Bombillas N(300, σ = 50): P(X ≤ 365)

#	Acción	Resultado
1	Calcular z a mano (referencia)	z = (365 − 300)/50 = 1.30
2	Configurar JASP	Mean = 300, Variance = 2500
3	Seleccionar radio button	from −∞ to 365
4	Leer probabilidad	P(X ≤ 365) = 0.9032

Ejemplo 2. IQ N(100, σ = 10): P(90 ≤ X ≤ 110)

#	Acción	Resultado
1	Configurar JASP	Mean = 100, Variance = 100 (10² = 100)
2	Seleccionar radio button	from 90 to 110
3	Orden de escritura	Escribir primero 110, luego 90
4	Leer probabilidad	P(90 ≤ X ≤ 110) = 0.6827 — confirma la regla empírica: µ ± σ contiene ≈ 68.27% de los datos

Normal Inversa — R Console

Cuando el problema da una probabilidad y pide encontrar el valor de x, use la R Console:

R Console — 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.

Verificación con pnorm — P(X ≤ 365), N(300, σ = 50)

R Console — 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. El resultado 0.9031995 confirma el valor obtenido en el GUI de JASP (0.9032). La diferencia mínima se debe al redondeo de la pantalla.

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.

Distribución Muestral — Secciones 6.4–6.5

JASP no tiene un panel automático para la distribución muestral de x̄. El procedimiento es:

#	Acción	Detalle
1	Calcular la varianza muestral a mano	σ²_x̄ = σ²/n
2	Configurar JASP	Abra Distributions > Normal. Escriba Mean = µ y Variance = σ²_x̄ (el valor calculado en el Paso 1).
3	Calcular la probabilidad	Seleccione el radio button correspondiente.

Ejemplo. Población con µ = 50, σ = 10, n = 36. Encuentre P(x̄ ≤ 52).
σ²_x̄ = 100/36 = 2.778 (a mano). Luego en JASP: Mean = 50, Variance = 2.778, from −∞ to 52 ⟹ P(x̄ ≤ 52) ≈ 0.8849.

Aproximación Normal a la Binomial — Sección 6.6

#	Acción	Detalle
1	Verificar condiciones	np ≥ 5 y nq ≥ 5 — a mano
2	Calcular µ y σ	µ = np, σ = √(npq) — a mano
3	Aplicar corrección de continuidad	Ajustar el límite ±0.5 — a mano
4	Calcular con Normal	Mean = np, Variance = npq — GUI JASP

Corrección de continuidad — referencia

Probabilidad	Con corrección	En JASP
P(X ≤ k)	P(X ≤ k + 0.5)	from −∞ to k + 0.5
P(X ≥ k)	P(X ≥ k − 0.5)	from k − 0.5 to ∞
P(X = k)	P(k−0.5 ≤ X ≤ k+0.5)	from k − 0.5 to k + 0.5
P(a ≤ X ≤ b)	P(a−0.5 ≤ X ≤ b+0.5)	from a − 0.5 to b + 0.5

Regresión Lineal Simple

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

Pasos en JASP GUI

#	Acción	Detalle
1	Abrir el dataset	Abra File > Open > spurs.csv. Verifique que PTS y MP sean tipo continuo (ícono de escala naranja).
2	Activar regresión	Vaya a Analyses > Regression > Linear Regression. Mueva PTS a Dependent Variable y MP a Covariates.
3	Activar estadísticas	En Statistics, active: Model fit, Estimates, Confidence intervals, Durbin-Watson.
4	Casewise Diagnostics	Active Casewise diagnostics > Std. residual. Cambie el umbral de 3 a 2.
5	Activar plots	En Plots, active: Residuals vs. predicted, Q-Q plot standardized residuals, Residuals histogram > Standardized residuals.
6	Exportar residuales	En Export, active Append residuals to data. Escriba el nombre de la columna (ej. Std_Resid) y seleccione Standardized.
7	Crear columna de número de fila	Haga clic en + al final de las columnas. Nombre: Orden. Computed type: R Code. Escriba el código de la sección R Console abajo.
8	Scatter plot de residuales	Vaya a Analyses > Regression > Correlation > Scatter plots. Mueva Orden y Std_Resid al cuadro Variables.

Export — orden obligatorio. Active el checkbox primero, luego escriba el nombre en el campo Column name, luego seleccione el tipo. Escribir el nombre antes de activar no funciona.

Código para columna Orden (Computed Column)

Computed Column — R Code | Pestaña + al final de columnas > R Code

cumsum(rep(1, length(PTS)))

rep(1, length(PTS)) crea un vector de 1's con la misma longitud que la columna PTS. cumsum() calcula la suma acumulada, produciendo los números 1, 2, 3, ..., n. JASP no acepta seq(), nrow(), ni seq_len() en columnas computadas — solo vectores individuales existentes en el dataset.

Ecuación Verificada

P̂TS = −49.914 + 0.4665 × MP

Boris Diaw es la única observación inusual: Std. Resid = −2.069.

Predicción con IC y PI — R Console

JASP GUI no calcula predicciones para nuevos valores de x con intervalos de confianza ni de predicción. Use la R Console con spurs.csv abierto:

Paso 1. Ajustar el modelo

R Console — 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 toma las variables del dataset cargado en JASP, disponible como objeto data en la R Console.

Paso 2. Intervalo de confianza para la media (IC)

R Console — 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) es el nuevo valor del predictor para el que se quiere predecir. interval = "confidence" produce el IC al 95% para la media de PTS de todos los jugadores con 1800 minutos. fit es ŷ; lwr y upr son los límites inferior y superior del intervalo.

Paso 3. Intervalo de predicción para un individuo (IP)

R Console — 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 IP al 95% para un jugador individual con 1800 minutos. Es considerablemente más ancho que el IC 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.