TEMA 1.

ESTADSTICA DESCRIPTIVA
1.1 Introduccin: conceptos bsicos
1.2 Tablas estadsticas y representaciones
grficas
1.3 Caractersticas de variables estadsticas
unidimensionales
1.3.1 Caractersticas de posicin
1.3.2 Caractersticas de dispersin
1.3.3 Caractersticas de forma
1.4 Concepto de v.e. bidimensional
1.5 Distribuciones marginales y
condicionadas
1.6 Covarianza
1.7 Dependencia e independencia estadstica
1.8 Regresin y correlacin. Introduccin
1.9 Rectas de regresin
1.10 Coeficiente de determinacin y
coeficiente de correlacin lineal
1.11 Otros tipos de ajuste
1

 1.1. Introduccin : conceptos bsicos

ESTADSTICA: Estudio de los mtodos de recogida

y descripcin de datos, as como del anlisis de esta

informacin

Etapas de un estudio estadstico

1
2
3
4

Recogida de datos
Ordenacin, tabulacin y grficos*
Descripcin de caractersticas*
Anlisis formal

* Estadstica descriptiva: parte de la

estadstica que se ocupa de las etapas 2 y 3

Individuo, Poblacin, Muestra

Poblacin: Conjunto de elementos a los que se les

estudia una caracterstica

Individuo: Cada uno de los elementos de la poblacin
Muestra: Subconjunto representativo de la poblacin
2

 Variables estadsticas. Modalidades

Variable estadstica (v.e.): Caracterstica propia

del individuo objeto del estudio estadstico

Ejemplos:
- Estatura
- Peso
- Color del pelo
- Nivel de colesterol
- N de hijos de una familia

Modalidad: Cada una de las posibilidades o

estados diferentes de una variable estadstica

Exhaustivas e incompatibles

Ejemplo:
color del pelo:
- castao
- rubio
- negro

 Tipos de variables estadsticas

Cualitativas: Las caractersticas no son cuantificables

Ejemplos:
Profesin
Color del pelo
Cuantitativas: Caractersticas cuantificables o numricas
9 Discretas: Numricas numerables

Ejemplos:
N de hijos
N de viviendas
9 Continuas: Numricas no numerables

Ejemplos:
Talla
Peso
Nivel de colesterol
4

 1.2. Tablas estadsticas y representaciones

grficas
Variables discretas
9 Frecuencias

Absolutas, ni (n individuos modalidad i)

Absolutas acumuladas, Ni = n1 + n2 + ... + ni
Relativas, fi (proporcion indiv. modalidad i)
Re lativas acumuladas, F i = f1 + f 2 + ... + fi

xi ni
x1
...
xi
...
xk

Ni

fi

Fi

n1 N1 f1 F1
... ... ... ...
ni Ni fi Fi
... ... ... ...
nk Nk fk Fk
n
1

Absolutas, ni
Absolutas
acumuladas, Ni

Relativas
f i = ni / n
Relativas
acumuladas
Fi = Ni / n
5

 Variables continuas: Intervalos

Intervalo Ii

xi

ni

Ni

fi

Fi

eo- e1
...
ei-1- ei
...
ek-1- ek

x1
...
xi
...
xk

n1
...
ni
...
nk
n

N1
...
Ni
...
Nk

f1
...
fi
...
fk
1

F1
...
Fi
...
Fk

Marca de clase xi (punto medio de cada intervalo)

Amplitud ai (distancia entre los extremos)

[ ... )
Extremos

 Grficos estadsticos

V. e. Cualitativas: Grfico rectangular

Color Plumaje

N de Aves (ni)

Negro

10

Gris

14

Blanco

20

Rojo

Violeta

20

10

Negro

Gris

Blanco

Rojo

Violeta
7

 V. e. Cualitativas: Grfico de sectores

Color Plumaje

N de Aves (ni)

Negro

10

Gris

14

Blanco

20

Rojo

Violeta

Grados
de cada
sector = 360 fi

violeta
rojo

negro

gris
blanco

 V. e. Discretas: Grfico de barras

N de cras N animales: n
i

fi

Fi

20

0.20

0.20

30

0.30

0.50

25

0.25

0.75

15

0.15

0.90

10

0.10

n = 100
35
30
25
20
15
10
5
0
2

 V. e. Discretas: Curva acumulativa

de distribucin
N de cras N animales: n
i

fi

Fi

20

0.20

0.20

30

0.30

0.50

25

0.25

0.75

15

0.15

0.90

10

0.10

n = 100

1
0.90

0.75

0.50

0.20

6
10

 V. e. Continuas: Histograma

hi

Estatura

ni

140-160
160-170
170-180
180-190
190-200

30
22
20
18
10
100

hi = ni / a i
1.5
2.2
2
1.8
1

El rea de
cada rectngulo
es proporcional
a la frecuencia

2.2
2
1.8
1.5

140

160 170 180 190 200

11

 V. e. Continuas: Curva

acumulativa de distribucin
Talla
140-160
160-170
170-180
180-190
190-200

ni
30
22
20
18
10
100

fi

Fi

0.30

0.30

0.22

0.52

0.20

0.72

0.18

0.90

0.10

1
0.90
0.72
0.52
0.30

140

160

170

180

190

200
12

 1.3. Caractersticas de variables

estadsticas unidimensionales
^ 1.3.1

Caractersticas de Posicin

Media aritmtica
k

ni xi

x = fi xi = i =1
i =1

Estatura

N Personas M. Clase

ni

xi

nixi

140-150

20

145

2900

150-160

100

155

15500

160-180

80

170

13600

180-200

10

190

1900

n = 210

33900

ni xi

Media : x = i =1

33900
210

= 161.42
13

 Moda
Valor de la variable ms frecuente
9 Puede haber ms de una moda : Plurimodal
Variables discretas

Datos en serie
2, 2, 3, 3, 3, 3, 5, 6, 7 Mo = 3

Datos en tabla

W Ejemplo

xi
1

ni
34

36

45

22

17

Mo = 3

14

 Variables continuas

Mo = ei 1 +

W Ejemplo

Mo = 160 +

h i h i 1

(h i h i1 ) + (hi h i+1 )

ai

xi

ni

hi =ni / ai

140-160
160-170
170-180
180-190
190-200

30
22
20
18
10
100

1.5
2.2
2
1.8
1

( 2.2 1.5)
10 = 167.777
( 2.2 1.5) + ( 2.2 2 )

Observaciones:

1. Puede utilizarse la frecuencia relativa

2. Si las amplitudes son iguales se puede proceder
directamente con las frecuencias
15

 Mediana
Valor de la variable que ocupa el lugar central en una
serie de datos ordenados.
El 50% de los elementos de la poblacin tienen un valor
de la variable menor de la mediana. El 50% de los
elementos de la poblacin tienen un valor de la variable
mayor.
Variables discretas

Datos en serie

W Ejemplos
N impar de observaciones:

2, 2, 2, 3, 5, 6, 7, 7, 8

Me = 5

N par de observaciones:
4, 6, 6, 6, 7, 8, 8, 9

Me = 6 7

Indeterminado entre 6 y 7
16

 Variables discretas

Datos en tabla
W Ejemplo

xi

ni

Ni

fi

Fi

0.142

0.142

10

0.214

0.357

10

20

0.357

0.714

25

0.178

0.892

28

0.107

28

n/2 =14
Fi= 1/2

Me = 2

Observacin: Si n/2 coincide con un Ni

la mediana est indeterminada entre xi y xi+1

17

 Variables continuas

n
1
Ni 1
Fi 1
Me = ei 1 + 2
ai = ei 1 + 2
ai
ni
fi
W Ejemplo

Tallas

ni

Ni

fi

Fi

140-150

15

15 0.15 0.15

150-160

30

45 0.30 0.45

160-170

25

70 0.25 0.70

170-180

20

90 0.20 0.90

180-200

10 100 0.10

n/2 = 50
Fi = 1/2

100
Me = 160 +

0.5 0.45
10 = 160 + 2 = 162
0.25

Observacin: Si n/2 coincide con un Ni

la mediana es el extremo superior del intervalo que le

corresponde
18

 Percentiles
Definicin: Pk, k:1,2,...,99, percentil k, valor de la
variable que deja por debajo, el k% de los valores de la
variable
Q1 = P25 Cuartil 1
Q2 = P50 Cuartil 2 = Me
Q3 = P75 Cuartil 3

Cuantiles, an
ms general

D1 = P10 Decil 1
D2 = P20 Decil 2
.

D9 = P90 Decil 9

Clculo para v.e. discretas:

Igual que la mediana, cambiando n/2 por nk/100

Clculo para v.e. continuas:

nk
k
Ni1
Fi1
Pk = ei 1 + 100
ai = ei1 + 100
ai
ni
fi
19

W Ejemplos percentiles v.e. discreta

xi

ni

Ni

20

20

30

50

44

94

20

114

10

124

nk/100 =
124x40/100 = 49.6

nk/100 =
124x95/100 = 117.8

124
Percentil 40, P40 = 3

Percentil 95, P95 = 6

nk/100 =
124x25/100 = 31

Percentil 25, P25 = 3 = Q1

nk/100 =
124x50/100 = 62

Percentil 50, P50 = 4 = Me = Q2

nk/100 =
124x75/100 = 93

Percentil 75, P75 = 4 = Q3

20

W Ejemplos percentiles v.e. continua

Tallas

ni

Ni

fi

Fi

140-150

15

15 0.15 0.15

150-160

30

45 0.30 0.45

160-170

25

70 0.25 0.70

170-180

20

90 0.20 0.90

180-200

10 100 0.10

P40
P75

100

nk
k
Ni 1
Fi 1
Pk = ei 1 + 100
ai = ei 1 + 100
ai
ni
fi
40 15
0.4 0.15
P40 = 150 +
10 = 150 +
10 = 158.33
30
0.30

P75 = 170 +

75 70
0.75 0.70
10 = 170 +
10 = 172.5 = Q3
20
0.20

21

^ 1.3.2.

Caractersticas de Dispersin

9 Miden la Homogeneidad de las observaciones

Rango o recorrido

Valor mximo menos valor mnimo de la variable

Recorrido intercuartlico

Q3 Q1

22

 Varianza

ni x i x

2 = i =1

2
n
x
ii

= i =1

Desviacin tpica

= 2

Coeficiente de variacin

C. V . =
x

23

W Ejemplo

xi

ni

nixi

nixi2

4
6
8
10
12

20
40
44
36
22
162

80
240
352
360
264
1296

320
1440
2816
3600
3168
11344

ni x i 2

2 = Var [ X ] = i =1

2
11344 1296
x =

= 6.02
162 162
2

= 2 = 6.02 = 2.4535

24

 Momentos no centrales (Respecto al origen)

r
n
x
i i
k
m r = fi x i r = i =1
n
i =1
k

ni xi

r = 1 m1 = fi xi = i =1
i =1

=x

2
n
x
ii

r = 2 m 2 = fi xi 2 = i =1
i =1

2
n
x
ii

= i =1

( )

x = m 2 m1

25

 Momentos centrales (Respecto a la media)

ni ( x i x )

r = i =1

ni ( x i x )

r = 1 1 = i =1

ni ( x i x )

r = 2 2 = i =1

=0

=2

26

^ 1.3.3

Caractersticas de forma

Coeficiente de Sesgo (Asimetra)

1 =

3
3

Si 1 = 0 Distribucin simtrica

Si 1 > 0 Distribucin sesgada a la derecha

Si 1 < 0 Distribucin sesgada a la izquierda

27

 Coeficiente de Curtosis (Aplastamiento)

2 =

Distribucin igual de aplastada

que la distribucin Normal

y Si

2 =0

y Si

Distribucin menos aplastada

2 >0
que la distribucin Normal

y Si

2 < 0 Distribucin ms aplastada que

la distribucin Normal

28

 1.4 Concepto de variable estadstica

bidimensional

W Ejemplo . X: Peso, Y: Estatura

X\Y

140-160 160-180

180-200 >200 Marginal

X

40-60

10

18

60-80

12

28

80-100

10

25

Marginal
Y

19

26

18

71

9 Frecuencias Marginales
Frecuencias Marginales de X
Frecuencias Marginales de Y
9 Frecuencias Condicionadas
Frecuencias Condicionadas de X
Frecuencias Condicionadas de Y

29

 1.5 Distribuciones marginales y

condicionadas
Distribucin marginal de X

W Distribucin de la variable X: Peso

X \Y

140-160 160-180

180-200 >200 Marginal

X
2
0
18

40-60

10

60-80

12

28

80-100

10

25

Marginal
Y

19

26

18

71

30

 Distribucin marginal de X
W Distribucin de la variable X: Peso

Frecuencias
Marginales

40-60

18

60-80

28

80-100

25
71

9 Media Marginal de X
9 Mediana Marginal de X
9 Moda Marginal de X
9 Varianza Marginal de X

31

 Distribucin marginal de Y

W Distribucin de la variable Y: Estatura

X\Y

140-160 160-180

180-200 >200 Marginal

X

40-60

10

18

60-80

12

28

80-100

10

25

Marginal
Y

19

26

18

71

32

 Distribucin marginal de Y
W Distribucin de la variable Y: Estatura
Y

Frecuencias
Marginales

140-160

19

160-180

26

180-200

18

>200

8
71

9 Media Marginal de Y
9 Mediana Marginal de Y
9 Moda Marginal de Y
9 Varianza Marginal de Y

33

 Distribuciones de X

condicionadas a valores de Y

W Ejemplo . Distribucin de X
condicionada a 160 < Y < 180

X\Y

140-160 160-180

180-200 >200 Marginal

X
2
0
18

40-60

10

60-80

12

28

80-100

10

25

Marginal
Y

19

26

18

71

34

W Ejemplo . Distribucin de X
condicionada a 160 < Y < 180

Frecuencias
condicionadas

40-60

60-80

12

80-100

8
26

9 Medias condicionadas de X

9 Varianzas condicionadas de X

35

 Distribuciones de Y

condicionadas a valores de X

W Ejemplo . Distribucin de Y
condicionada a 60 < X < 80

X\Y

140-160 160-180

180-200 >200 Marginal

X

40-60

10

18

60-80

12

28

80-100

10

25

Marginal
Y

19

26

18

71

36

W Ejemplo . Distribucin de Y
condicionada a 60 < X < 80

Frecuencias
condicionadas

140-160

160-180

12

180-200

>200

2
28

9 Medias condicionadas de Y

9 Varianzas condicionadas de Y

37

 1.6 Covarianza

Cov [ X , Y ] = x y =

n ij ( xi x )( y j y )
i

nij xi y j
=

x y

38

 1.7 Dependencia e

independencia estadstica

Independencia estadstica
No hay relacin entre las variables

Si n ij =

n i.n. j
n

i, j

Dependencia estadstica
Hay relacin entre las variables
El grado de relacin se mide mediante
un coeficiente de asociacin

39

W Ejemplo. Variables X e Y independientes

X\Y

Y1

Y2

Y3

Y4

ni ^

X1

n11

n12

n13

n14

n1 ^

=2

=6

=4

=8

= 20

n21

n22

n23

n24

n2 ^

=3

=9

=6

=
12

= 30

n31

n32

n33

n34

n3 ^

=1

=3

=2

=4

= 10

n ^1

n ^2

n ^3

n ^4

=6

= 18

= 12

=
24

= 60

X2

X3

n ^j

Independencia estadstica

Si nij =
n 23 =

n 2. n.3

n 31 =

n 3. n.1

n
n

30 12
=6
60

10 6
=1
60

ni. n. j
n

i, j

40

W Ejemplo. Variables X e Y no independientes

X\Y

Y1

Y2

Y3

Y4

ni ^

X1

n11

n12

n13

n14

n1 ^

=3

=6

=4

=8

= 21

n21

n22

n23

n24

n2 ^

=3

= 10

=6

=
12

= 31

n31

n32

n33

n34

n3 ^

=1

=3

=2

=4

= 10

n ^1

n ^2

n ^3

n ^4

=7

= 19

= 12

=
24

= 62

X2

X3

n ^j

Independencia estadstica

Si nij =
n 23 =

n 2. n.3

n 31

n 3. n.1

n
n

31 12
=6
62

ni. n. j
n

i, j

10 7
=
= 1.129 1
62
41

W Ejemplo. Dependencia Funcional

.- Dadas las siguientes distribuciones bidimensionales:
1. Son independientes las variables X e Y?
2. Dependen funcionalmente las variables X e Y?
a.

b.

c.

d.

X\Y

10

15

20

1
2
3

0
1
0

3
0
0

0
0
5

X\Y

10

15

20

25

1
2
3

0
0
2

3
0
0

0
1
0

4
0
0

X\Y

10

15

20

1
2
3

0
3
0

5
0
0

0
0
2

X\Y

10

15

20

1
2
3

3
1
0

2
0
1

0
2
1

42

1. Son independientes las variables X e Y?

a.
X\Y

10

15

20

Marginal X

Marginal Y

10

n12

n 1. n.2
n

3 4
=
= 1.2 3
10

Las variables X e Y no son independientes

b.

X\Y

10

15

20

25

Marginal X

Marginal Y

10

n 23

n 2. n.3
n

11
= 0.1 1
10

Las variables X e Y no son independientes

43

1. Son independientes las variables X e Y?

c.

X\Y

10

15

20

Marginal X

Marginal Y

10

n11

n 1. n.1
n

53
=
= 1.5 0
10

Las variables X e Y no son independientes

d.

X\Y

10

15

20

Marginal X

Marginal Y

10

n 21

n 2. n.1
n

3 4
= 1.2 1
10

Las variables X e Y no son independientes

44

2. Dependen funcionalmente las variables X e Y?

a.
X\Y

10

15

20

Y Depende funcionalmente de X
X No Depende funcionalmente de Y

b.

X\Y

10

15

20

25

Y No Depende funcionalmente de X
X Depende funcionalmente de Y

45

2. Dependen funcionalmente las variables X e Y?

c.

X\Y

10

15

20

X Depende funcionalmente de Y
Y Depende funcionalmente de X

d.

X\Y

10

15

20

X No Depende funcionalmente de Y
Y No Depende funcionalmente de X

46

 1.8 Regresin y correlacin.

Introduccin

Regresin

Bsqueda de una funcin que relacione ambas variables

y sirva para predecir una variable a partir de la otra

y = f(x)

Correlacin
Estudio del nivel de relacin entre las variables

9 Nube de puntos (diagrama de dispersin): grfico

de las observaciones (datos bidimensionales)

9 Lnea o funcin de regresin: tipo de funcin que

mejor se ajuste a la nube de puntos:
_ Lineal ; Cuadrtica; Exponencial
47

 1.9 Rectas de regresin

Recta de mnimos cuadrados de Y / X

y = a + bx

*
*

yj *

(xi, yj* )

(xi, yj )

eij

yj
*

xi
Residuos = eij = y j ( a + bxi )

min eij = min

2

= min
i

y j ( a + bxi )

2
*
yj yj
=

Ecuaciones normales
48

 Recta de mnimos cuadrados de Y / X

y = f ( x) = a + b x

Cov [ X , Y ] xy
b=
=
=
2
Var [ X ]
x

ni x i yi x y
n
ni x i 2
n

a = y bx

y y =b xx

b = coeficiente de regresin de Y / X
Variacin de Y si X aumenta en una unidad

49

 Recta de mnimos cuadrados de X / Y

x = f ( y) = c + d y

Cov [ X , Y ] xy
d=
=
=
2
Var [Y ]
y

ni x i yi x y
n
ni y i 2
n

c = xd y

xx=d y y

d = coeficiente de regresin de X / Y
Variacin de X si Y aumenta en una unidad

50

 1.10 Coeficiente de determinacin y

coeficiente de correlacin lineal

Coeficiente de determinacin
Proporcin de la varianza explicada por la regresin

r2 =

2
xy

x2 y2

0 r2 1

Coeficiente de correlacin lineal de Pearson

r=

xy
x y

1 r 1

r = 0 Independencia
r > 0 Dependencia directa
r < 0 Dependencia inversa
r = 1 Dependencia funcional lineal
51

W Ejemplo. X= Estatura, Y= Peso

xi

yi

x i yi

x2i

y 2i

160

52

8320

25600

2704

172

64

11008

29584

4096

174

65

11310

30276

4225

176

72

12672

30976

5184

180

78

14040

32400

6084

=862 = 331 = 57350 = 148836 = 22293

x=

xy

862
= 172.4 ;
5

y=

331
= 66.2
5

n i x i yi
57350

=
xy =
172.4

66.2 = 57.12

2
n
x
2 148836

i i
2
=
x =
172.42 = 45.44

y =

2
n
y
i i

y =

22293
66.22 = 76.16
5

52

y = a + bx
b=

Cov [ X , Y ]
Var [ X ]

xy
x2

57.12
= 1.257
45.44

a = y bx = 66.2 1.257 172.4 = 150.5068

y = a + b x = 150.5068 + 1.257 x
Para x = 170

y = a + bx = 150.5068 + 1.257 170 = 63.1832

r=

xy
x y

57.12
45.44

= 0.9708

76.16

53

 1.11 Otros tipos de ajuste

Parablico

y = ax 2 + bx + c

Exponencial

y = a bx

Potencial

y = a xb

Hiperblico

y=

a
x

54