Está en la página 1de 100

UNIDADES TECNOLGICAS DE SANTANDER

APUNTES DOCENTES

ASIGNATURA: ESTADSTICA

PROFESOR: GERMN ERNESTO RINCN REY

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER

Introduccin
La estadstica es una herramienta de mxima utilidad para todos aquellos que tienen que tomar decisiones,
en condiciones de riesgo, porque suministra un mtodo cientfico para recolectar y luego extraer informacin
de los datos relacionados con una situacin o fenmeno que sea del inters de la persona o equipo de
personas que buscan optimizar el uso de los recursos de las unidades econmicas o sociales que dirigen.
Para facilitar y agilizar el proceso de enseanza-aprendizaje de la asignatura de Estadstica, es conveniente
contar con un material de apoyo cercano al desarrollo del programa institucional de esta asignatura y
ubicado en el contexto en el cual ejercern su actividad los egresados de los programas de tecnologa
La finalidad de estos Apuntes de Estadstica es reducir la dependencia exagerada de los notas que toman
los estudiantes en clase, suministrando un material de apoyo conceptual para la asignatura de Estadstica,
que sea gil, intuitivo y veraz, que se convierta en una gua clara y amigable para adquirir las competencias
de la asignatura.
Estos apuntes, se desarrollan de manera paralela al programa de la asignatura, por lo que. lo mismo que
sta, se compone de cinco unidades: las tres primeras se refieren a la estadstica descriptiva y la cuarta y
quinta a Estadstica Inferencial.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER


TABLA DE CONTENIDO
1.

ARREGLO Y PRESENTACIN DE DATOS ...................................................................................... 9

1.1 ASPECTOS GENERALES DE LA ESTADSTICA ........................................................................................................... 9


1.1.1
LOS FENMENOS ......................................................................................................................................... 9
1.1.2
POR QU NOS INTERESAN LOS FENMENOS ................................................................................................ 9
1.1.3
DEFINICIN DE ESTADSTICA ...................................................................................................................... 10
1.1.4
IMPORTANCIA DE LA ESTADSTICA ............................................................................................................. 10
1.1.5
DIVISIN DE LA ESTADSTICA ...................................................................................................................... 10
1.1.6
ESTADSTICA DESCRIPTIVA .......................................................................................................................... 10
1.1.7
INFERENCIA ESTADSTICA ........................................................................................................................... 11
1.1.8
FASES DE UNA INVESTIGACIN ESTADSTICA .............................................................................................. 11
1.2 CONCEPTOS BSICOS.......................................................................................................................................... 13
1.2.1
DATO .......................................................................................................................................................... 13
1.2.2
ELEMENTO ................................................................................................................................................. 13
1.2.3
EJEMPLOS DE ELEMENTOS ......................................................................................................................... 14
1.2.4
POBLACIN ................................................................................................................................................ 14
1.2.5
COMO SE DEFINE UNA POBLACIN ............................................................................................................ 14
1.2.6
TAMAO DE UNA POBLACIN.................................................................................................................... 14
1.2.7
CLASES DE POBLACIONES ........................................................................................................................... 15
1.2.7.1
Poblaciones Finitas ........................................................................................................................... 15
1.2.7.2
Poblaciones infinitas ......................................................................................................................... 15
1.2.8
CARACTERSTICAS OBSERVABLES EN UNA POBLACIN ............................................................................... 15
1.2.8.1
CARACTERSTICAS CONSTANTES ........................................................................................................ 16
1.2.8.2
CARACTERSTICAS VARIABLES ........................................................................................................... 16
1.2.8.2.1 Variables cualitativas o categricas: .............................................................................................. 16
1.2.8.2.2 Variables cuantitativas:................................................................................................................. 17
1.2.8.2.3 Variables cuantitativas categricas: .............................................................................................. 17
1.2.9
CENSO ........................................................................................................................................................ 17
1.2.10
MUESTRA .............................................................................................................................................. 17
1.2.11
TAMAO DE LA MUESTRA ..................................................................................................................... 17
1.2.12
PARMETRO .......................................................................................................................................... 17
1.2.13
ESTADSTICO .......................................................................................................................................... 18
1.2.14
TIPOS DE ESTUDIOS ESTADSTICOS......................................................................................................... 18
1.2.15
UNIDAD DE OBSERVACIN O DE INVESTIGACIN .................................................................................. 18
1.2.16
ESTADSTICAS ........................................................................................................................................ 18
1.2.17
EJERCICIOS RESUELTOS: ......................................................................................................................... 18
1.3 ARREGLO DE DATOS DE VARIABLE CONTINUA .................................................................................................... 21
1.3.1
INTRODUCCIN.......................................................................................................................................... 21
1.3.2
CONCEPTO DE CLASE O CATEGORA ........................................................................................................... 21
1.3.3
CLASE ESTADSTICA O CATEGORA ESTADSTICA .......................................................................................... 21
1.3.4
AMPLITUD DE CLASE O INTERVALO DE CLASE ............................................................................................. 21
1.3.5
CARACTERSTICAS DE LOS CONJUNTOS DE CLASES ESTADSTICAS ............................................................... 21
1.3.6
NMERO DE CLASES .................................................................................................................................. 22
1.3.7
EJEMPLO PRCTICO ................................................................................................................................... 23
1.3.8
MTODO ESTADSTICO ............................................................................................................................... 23
1.3.9
PROCEDIMIENTO PARA CONSTRUIR UN CONJUNTO DE CLASES ESTADSTICO PARA VARIABLE CONTINUA .. 23
1.3.10
DESARROLLO DEL EJEMPLO ................................................................................................................... 24

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER


1.3.11
1.3.12
1.3.13
1.3.14
1.3.15
1.3.16
1.3.17
1.3.18
1.3.19
1.3.20
1.3.21

CONSTRUCCIN DE LA DISTRIBUCIN DE FRECUENCIAS........................................................................ 25


LOS TIPOS DE FRECUENCIAS ................................................................................................................. 26
LECTURA DE LA DISTRIBUCIN DE FRECUENCIAS ................................................................................... 26
LA TABLA MENOR QUE .......................................................................................................................... 26
REPRESENTACIN GRFICA DE LA SITUACIN EN ESTUDIO ................................................................... 26
EL HISTOGRAMA .................................................................................................................................... 27
EL POLGONO DE FRECUENCIAS ............................................................................................................. 27
MARCA DE CLASE .................................................................................................................................. 27
COMO INTERPRETAR UN HISTOGRAMA O UN POLGONO DE FRECUENCIAS .......................................... 29
LA OJIVA ................................................................................................................................................ 29
LA INTERPOLACIN ............................................................................................................................... 29

1.4 ARREGLO DE DATOS DE VARIABLE DISCRETA ...................................................................................................... 31


1.4.1
PROCEDIMIENTO PARA COSNTRUIR UN CONJUNTO DE CLASES ESTADSTICO PARA VARIABLE DISCRETA .... 31
1.4.2
EJEMPLO PRCTICO ................................................................................................................................... 31
1.4.3
DESARROLLO DEL EJEMPLO ........................................................................................................................ 31
1.4.4
CONSTRUCCIN DE LA DISTRIBUCIN DE FRECUENCIAS ............................................................................ 32
1.4.5
REPRESENTACIN GRFICA ........................................................................................................................ 33
1.4.5.1
HISTOGRAMA ................................................................................................................................... 33
1.4.5.2
POLGONO DE FRECUENCIAS ............................................................................................................ 34
1.4.5.3
OJIVA ................................................................................................................................................ 35
1.5

ARREGLO DE DATOS PARA VARIABLE DISCRETA EN CLASES DE AMPLITUD CERO ............................................... 36

1.6

ARREGLO DE DATOS CUALITATIVOS .................................................................................................................... 37

1.7

EJERCICIOS RESUELTOS ....................................................................................................................................... 39

MEDIDAS DE TENDENCIA CENTRAL, DE POSICIN Y DE DISPERSIN ........................... 41

2.1 MEDIDAS DE TENDENCIA CENTRAL .................................................................................................................... 41


2.1.1
FORMAS ESTADSTICAS DE DESCRIBIR UN FENMENO ............................................................................... 41
2.1.2
CONCEPTO DE MEDIDA EN ESTADSTICA .................................................................................................... 41
2.1.3
PARMETROS Y ESTADSTICOS ................................................................................................................... 42
2.1.4
CLASES DE MEDIDAS EN ESTADSTICA ......................................................................................................... 42
2.1.5
LAS MEDIDAS DE TENDENCIA CENTRAL ...................................................................................................... 42
2.1.6
LAS MEDIDAS DE TENDENCIA NO CENTRAL O DE POSICIN ....................................................................... 42
2.1.7
LAS MEDIDAS DE DISPERSIN .................................................................................................................... 42
2.1.8
MEDIDAS PARA POBLACIONES Y MEDIDAS PARA MUESTRAS ...................................................................... 42
2.1.9
CLASES DE MEDIDAS DE TENDENCIA CENTRAL ........................................................................................... 43
2.1.10
LA MEDIA ARITMTICA .......................................................................................................................... 43
2.1.10.1
MEDIA ARITMTICA PARA DATOS NO AGRUPADOS ........................................................................... 43
2.1.10.2
MEDIA ARITMTICA PARA DATOS AGRUPADOS ................................................................................. 44
2.1.11
SIGNIFICADO DE LA MEDIA ARITMTICA ............................................................................................... 45
2.1.12
MEDIA ARITMTICA PONDERADA .......................................................................................................... 45
2.1.13
PROPIEDADES DE LA MEDIA ARITMTICA .............................................................................................. 46
2.1.14
LA MEDIA GEOMTRICA ........................................................................................................................ 46
2.1.15
CLCULO DE LA MEDIA GEOMTRICA .................................................................................................... 46
2.1.16
PROPIEDADES DE LA MEDIA GEOMTRICA ............................................................................................ 48
2.1.17
USOS DE LA MEDIA GEOMTRICA .......................................................................................................... 48
2.1.18
LA MEDIANA.......................................................................................................................................... 49
2.1.19
INTERPRETACIN DE LA MEDIANA......................................................................................................... 49

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER


2.1.20
SMBOLO DE LA MEDIANA ..................................................................................................................... 49
2.1.21
CLCULO DE LA MEDIANA PARA DATOS NO AGRUPADOS ...................................................................... 49
2.1.21.1
Nmero impar de datos .................................................................................................................... 49
2.1.21.2
Nmero par de datos ........................................................................................................................ 50
2.1.22
CLCULO MEDIANA PARA DATOS AGRUPADOS ...................................................................................... 51
2.1.22.1
Primer Caso ...................................................................................................................................... 51
2.1.22.2
Segundo caso .................................................................................................................................... 51
2.1.23
MEDIDAS DE TENDENCIA NO CENTRAL O DE POSICIN ......................................................................... 52
2.1.23.1
LOS CUARTILES.................................................................................................................................. 52
2.1.23.1.1 CUARTILES PARA DATOS NO AGRUPADOS.................................................................................... 53
2.1.23.1.2 CUARTILES PARA DATOS AGRUPADOS ......................................................................................... 53
2.1.23.2
LOS PERCENTILES .............................................................................................................................. 54
2.1.23.2.1 PERCENTILES PARA DATOS NO AGRUPADOS ................................................................................ 54
2.1.23.2.2 PERCENTILES PARA DATOS AGRUPADOS ...................................................................................... 55
2.1.24
PROPIEDADES DE LA MEDIANA, CUARTILES Y PERCENTILES ................................................................... 56
2.1.25
LA MODA .............................................................................................................................................. 56
2.1.26
SMBOLO DE LA MODA .......................................................................................................................... 56
2.1.27
MODA PARA DATOS NO AGRUPADOS..................................................................................................... 56
2.1.28
MODA PARA DATOS AGRUPADOS .......................................................................................................... 57
2.1.28.1
Datos de variable discreta agrupados en clases de amplitud igual a cero .......................................... 57
2.1.28.2
Datos de variable cualitativa ............................................................................................................. 58
2.1.28.3
Datos de variable discreta o continua agrupados en clases de amplitud mayor que cero .................. 58
2.1.29
PROPIEDADES DE LA MODA ................................................................................................................... 59
2.2 CASOS ESPECIALES DE LA MEDIANA ................................................................................................................... 60
2.2.1
PRIMER CASO............................................................................................................................................. 60
2.2.2
SEGUNDO CASO ......................................................................................................................................... 60
2.3

EJEMPLOS RESUELTOS......................................................................................................................................... 62

2.4 MEDIDAS DE DISPERSIN ................................................................................................................................... 66


2.4.1
POR QU SE REQUIERE MEDIR LA DISPERSIN ........................................................................................... 66
2.4.2
CONCEPTO DE DISPERSIN ........................................................................................................................ 67
2.4.3
LA VARIABILIDAD........................................................................................................................................ 68
2.4.4
LA DISPERSIN ........................................................................................................................................... 68
2.4.5
IMPORTANCIA DE LA DISPERSIN............................................................................................................... 69
2.4.6
LAS MEDIDAS DE DISPERSIN .................................................................................................................... 69
2.4.7
CLASES DE MEDIDAS DE DISPERSIN.......................................................................................................... 69
2.4.8
EL RANGO .................................................................................................................................................. 69
2.4.9
CARACTERSTICAS DEL RANGO ................................................................................................................... 70
2.4.10
EL RANGO INTERCUARTLICO ................................................................................................................. 70
2.4.11
LA DESVIACIN MEDIA .......................................................................................................................... 71
2.4.12
LA VARIANZA ......................................................................................................................................... 73
2.4.12.1
VARIANZA POBLACIONAL .................................................................................................................. 73
2.4.12.2
VARIANZA MUESTRAL ....................................................................................................................... 74
2.4.13
LA DESVIACIN ESTNDAR .................................................................................................................... 75
2.4.13.1
DESVIACIN ESTNDAR PARA POBLACIONES .................................................................................... 75
2.4.13.2
DESVIACIN ESTNDAR PARA MUESTRAS ......................................................................................... 76
2.4.14
EL COEFICIENTE DE VARIACIN.............................................................................................................. 76

REGRESIN Y CORRELACIN....................................................................................................... 79

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER


3.1 REGRESIN ......................................................................................................................................................... 79
3.1.1
INTRODUCCIN.......................................................................................................................................... 79
3.1.2
CONCEPTO DE REGRESIN ......................................................................................................................... 79
3.1.3
IMPORTANCIA DE LA REGRESIN ............................................................................................................... 79
3.1.4
VARIABLES DEPENDIENTES E INDEPENDIENTES .......................................................................................... 79
3.1.5
GRFICO DE DISPERSIN............................................................................................................................ 80
3.1.6
TIPOS DE RELACIN ENTRE DOS O MS VARIABLES.................................................................................... 80
3.1.7
TIPOS DE REGRESIN ................................................................................................................................. 81
3.1.8
LA REGRESIN LINEAL ................................................................................................................................ 86
3.2 LA CORRELACIN ................................................................................................................................................ 89
3.2.1
EL COEFICIENTE DE CORRELACIN ............................................................................................................. 89
3.2.2
EL COEFICIENTE DE DETERMINACIN......................................................................................................... 90

INTRODUCCIN AL CLCULO DE PROBABILIDADES............................................................ 93

4.1

PRINCIPIOS DE PROBABILIDAD ........................................................................................................................... 93

4.2

ASIGNACIN DE PROBABILIDADES ..................................................................................................................... 94

4.3

EL DIAGRAMA DE RBOL .................................................................................................................................... 95

4.4

TCNICAS DE CONTEO ......................................................................................................................................... 96

4.5

OPERACIONES CON PROBABILDADES ................................................................................................................. 97

4.6

TEOREMA DE BAYES ........................................................................................................................................... 98

BIBLIOGRAFA............................................................................................................................... 100

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER


1. ARREGLO Y PRESENTACIN DE DATOS
1.1
1.1.1

ASPECTOS GENERALES DE LA ESTADSTICA

LOS FENMENOS

Una de las aplicaciones de la estadstica es describir el comportamiento de los fenmenos en los que se
interesan los seres humanos, por lo que es importante precisar que se entiende, en esta ciencia, por
fenmenos.
Un fenmeno es cualquier manifestacin de las actividades humanas o de la naturaleza que puede ser
percibido por los sentidos o la razn.
Algunos ejemplos de fenmenos son los siguientes:
El crecimiento de una planta
El comportamiento del clima
Las ventas por periodo de una empresa
Las personas, por da, que son afectadas por una enfermedad
Los accidentes de trnsito en diferentes lugares de una ciudad
La variacin mensual del costo de vida
Palabras sinnimas de fenmeno son: suceso, hecho o acontecimiento
1.1.2

POR QU NOS INTERESAN LOS FENMENOS

Por muchos motivos los seres humanos desean poseer informacin sobre el comportamiento de diversos
fenmenos y para ello realizan registros sobre el estado de estos fenmenos en diferentes momentos o
espacios.
Siempre que sea viable extraer datos de un fenmeno, es posible, utilizando algn proceso, convertir estos
datos en informacin y es esta informacin la que nos permite tomar decisiones eficientes, es decir, elegir la
alternativa ms favorable dentro de una amplia gama de posibilidades.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

UNIDADES TECNOLGICAS DE SANTANDER

Estos registros o mediciones generan diversos volmenes de datos y para que estos datos se conviertan en
informacin se deben procesar de diferentes maneras. Una de las formas como se pueden tratar los datos
para extraer la informacin que ellos contienen es utilizando las tcnicas estadsticas
1.1.3

DEFINICIN DE ESTADSTICA

Es una ciencia que estudia cmo debe emplearse informacin para facilitar la toma de decisiones en
situaciones prcticas que se manifiestan bajo incertidumbre
1.1.4

IMPORTANCIA DE LA ESTADSTICA

La actividad ms importante para las personas que trabajan en las organizaciones empresariales es la toma
de decisiones. Dado el enorme aumento de la disponibilidad de datos (gracias a los sistemas de
informacin), y dada la complejidad creciente de las operaciones empresariales, los procesos de decisin se
ven sometidos a presiones extraordinarias.
Una de las tcnicas ms valiosa que ayudan en los procesos de toma de decisiones es la Estadstica. Por lo
que es indispensable que los hombres y mujeres que dirigen organizaciones o que de alguna manera
participan en la toma de decisiones estn familiarizados con las tcnicas estadsticas para poder determinar
cundo se puede examinar un problema existente mediante la aplicacin del anlisis estadstico.
1.1.5

DIVISIN DE LA ESTADSTICA

La Estadstica se divide en dos grandes ramas:


La Estadstica Descriptiva
La Inferencia Estadstica

1.1.6

ESTADSTICA DESCRIPTIVA

Son los conocimientos y mtodos que tratan de la recoleccin, organizacin y presentacin numrica y
grfica de los datos.
Los anlisis que se hacen con las herramientas de la estadstica descriptiva se limitan, nicamente, al

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

10

UNIDADES TECNOLGICAS DE SANTANDER


conjunto de datos que se recolectaron.
1.1.7

INFERENCIA ESTADSTICA

Son los conocimientos y mtodos que permiten:

Sacar conclusiones sobre el comportamiento total de un fenmeno basndose nicamente en la


informacin recolectada sobre una parte de ese mismo fenmeno. Estas conclusiones se obtienen bajo
incertidumbre.

Estimar el comportamiento futuro de un fenmeno

1.1.8

FASES DE UNA INVESTIGACIN ESTADSTICA

Las fases o pasos que se deben incluir en un estudio estadstico son muy variadas y dependen de diferentes
circunstancias, tales como, los objetivos que se pretenden alcanzar o el contexto en que se realiza la
investigacin. Aqu se presenta una de estas posibilidades:
1. Planeamiento
Fin de la investigacin
Definir la poblacin
Unidad de investigacin
Naturaleza o clase de los datos
Fuentes de la informacin
Procedimiento para recolectar los datos
Diseo de instrumentos
Presupuesto
2. Recoleccin de los datos
3. Crtica y codificacin
4. Tabulacin, grficas y medidas
5. Anlisis e interpretacin
La fase de planeamiento es la ms importante de todo el proceso; de la correcta elaboracin y desarrollo, de
las etapas que componen esta fase, depende la calidad de los resultados que se obtengan.
El fin de la investigacin se refiere al resultado concreto que se va a obtener del estudio estadstico.
Usualmente se formula en forma de una pregunta que se llama Pregunta de Investigacin.
Los conceptos de: Poblacin y Unidad de Investigacin se tratarn en el siguiente mdulo.
Todos los datos, que se recolectan sobre un fenmeno, se pueden clasificar bsicamente en dos categoras:
datos de naturaleza cualitativa y datos de naturaleza cuantitativa.
Los datos de naturaleza cualitativa o datos cualitativos, son los que se registran en forma de palabras, tales
como, el estado civil de las personas, las profesiones u oficios de las personas o el nivel educativo.
Las fuentes de informacin de donde se pueden obtener los datos son de dos clases:
Fuentes de informacin primarias
Fuentes de informacin secundarias
Las fuentes de informacin son primarias cuando los datos, que se procesan, los han obtenido,
directamente, los realizadores del estudio.
Las fuentes de informacin son secundarias cuando los datos, que se procesan, se han obtenido a travs de

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

11

UNIDADES TECNOLGICAS DE SANTANDER


otras de otras personas o entidades, como por ejemplo, El Banco de la Repblica, El DANE, las cmaras de
comercio o cualquier otro estudio ya realizado.
El procedimiento para recolectar los datos se refiere a las actividades que se van a ejecutar para recolectar
estos datos. Estas actividades pueden ser:
La observacin directa
Las encuestas que pueden ser personales o virtuales
Las entrevistas individuales o grupales
La experimentacin
El diseo de instrumentos se refiere al diseo de los soportes donde se van a registrar los datos, como por
ejemplo, el diseo de los formatos para registrar las observaciones, el diseo de las encuestas o la lista de
temas que se van a tratar en una entrevista y la forma como se van a registrar las respuestas u opiniones
del entrevistado.
El presupuesto se refiere a la estimacin o clculo del costo, de las diferentes etapas del estudio.
La recoleccin de los datos o trabajo de campo, es la etapa donde se aplican las encuestas, se registran las
observaciones o se realizan las entrevistas.
La crtica se refiere a la apreciacin de la veracidad, autenticidad y pertinencia de los datos recolectados.
La tabulacin, grficas y medidas se refiere a los procesos, a travs de los cuales, los datos se convierten en
tablas, cuadros resmenes, grficas representativas o nmeros que permitan describir y comprender el
fenmeno que se est estudiando.
Anlisis e interpretacin es la etapa donde se concreta el fin de la investigacin, ya sea, respondiendo a la
pregunta de investigacin, describiendo el fenmeno en estudio o sacando algn tipo de conclusiones sobre
l.
Estos anlisis pueden tener 2 tipos de alcance:
Anlisis e interpretacin descriptivos: cuando los anlisis e interpretaciones se circunscriben nicamente
a los datos recolectados.
Anlisis e interpretacin inferencial: cuando los anlisis e interpretaciones se extienden a todos los
elementos de la poblacin o cuando se hacen estimaciones sobre el comportamiento futuro del
fenmeno en estudio.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

12

UNIDADES TECNOLGICAS DE SANTANDER


1.2

CONCEPTOS BSICOS

Para iniciar el estudio de la estadstica, se requiere precisar el significado, que tienen en esta ciencia, ideas,
palabras y conceptos que en otros campos o en nuestras actividades cotidianas, tienen sentidos que van
desde ligeramente diferentes a diametralmente opuestos.
1.2.1

DATO

En trminos generales un dato es un registro o anotacin que se hace del estado de un fenmeno en un
momento determinado
1.2.2

ELEMENTO

En general, un elemento es una parte indivisible de un todo o un componente indivisible o bsico de un


cuerpo. Pero, en estadstica se llama elemento a las entidades que tienen una o varias caractersticas cuyo
estado nos interesa registrar. El registro del estado de estas caractersticas es lo que constituye los datos.
Estos elementos pueden ser individuos, objetos o sucesos.
Los individuos pueden ser personas o seres vivos animales o vegetales. Los sucesos pueden ser, por
ejemplo, los accidentes de trnsito, los encuentros deportivos, los recorridos que realiza un vehculo o los
das del ao

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

13

UNIDADES TECNOLGICAS DE SANTANDER


1.2.3

EJEMPLOS DE ELEMENTOS

En una investigacin sobre el comportamiento de los salarios de trabajadores los elementos son los
trabajadores (personas), y la caracterstica que se observa a cada elemento es el valor de su salario.

En una investigacin sobre comportamiento de las ventas de una comercializadora los elementos
podran ser las facturas (un objeto), y la caracterstica observada es el valor de cada factura.

Tambin, En una investigacin sobre comportamiento de las ventas de una comercializadora los
elementos podran ser los meses (un suceso), y la caracterstica observada el valor de las ventas de
cada mes

En una investigacin sobre los accidentes de trnsito los elementos son los accidentes (un suceso), y la
caracterstica observada podra ser el nmero de personas lesionadas por accidente observado

Los fenmenos se producen cuando el estado de las caractersticas observadas vara, usualmente, de un
elemento a otro
1.2.4

POBLACIN

En estadstica el concepto de Poblacin es mucho ms amplio que el que se utiliza en el lenguaje corriente.
En esta ciencia, cuando se habla de Poblacin nos referimos a:
Todos los elementos que presentan una caracterstica comn
Es el conjunto de todos los elementos que hacen parte de una situacin que se est estudiando y sobre la
cual se intenta sacar conclusiones
Las poblaciones se deben definir con toda claridad de tal manera que no exista confusin sobre si un
determinado elemento pertenece o no a la poblacin
1.2.5

COMO SE DEFINE UNA POBLACIN

Las poblaciones se deben definir con toda claridad de tal manera que no exista confusin sobre si un
determinado elemento pertenece o no a la poblacin. Para facilitar esta definicin, en muchos casos, las
palabras que la componen se pueden ordenar de acuerdo a la siguiente sintaxis:
TODOS(AS) + DESCRIPCIN DEL ELEMENTO + CONDICIN RESTRICTIVA
Significa que una definicin de poblacin debe empezar por la palabra Todos o Todas seguida de una
descripcin del elemento que se est observando mas una restriccin al alcance de la palabra Todos(as)
EJEMPLO
En un estudio del nivel salarial de los operarios del sector de confecciones de la ciudad, una definicin de
poblacin podra ser la siguiente:
Todos los operarios del sector de confecciones de la ciudad
1.2.6

TAMAO DE UNA POBLACIN

Es el nmero total de elementos que componen una poblacin. El tamao de una poblacin se suele
representar por la letra N

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

14

UNIDADES TECNOLGICAS DE SANTANDER


EJEMPLO:
Para indicar que una poblacin tiene 670 elementos se indica as: N = 670
1.2.7

CLASES DE POBLACIONES

Las poblaciones se dividen en dos clases:


Poblaciones finitas
Poblaciones infinitas
1.2.7.1 Poblaciones Finitas
Son las poblaciones a las cuales se les pueden determinar fcilmente el nmero de elementos que las
componen, es decir, su tamao
EJEMPLO:
Situacin o fenmeno: La edad de los estudiantes de las UTS
Poblacin: Todos los estudiantes de las UTS
Tipo de poblacin: Finita, porque fcilmente se pueden contabilizar sus elementos acudiendo a la oficina de
la institucin que registra estos datos
1.2.7.2 Poblaciones infinitas
Son las poblaciones que fsicamente es imposible numerarlas o determinar su tamao
Son las poblaciones que aunque se puede determinar su tamao, no es conveniente hacerlo por razones
econmicas o de tiempo
EJEMPLO:
Situacin: Accidentes por da en un cruce de calles de la ciudad
Poblacin: Todas los das mientras exista este cruce
Tipo de poblacin: Infinita. Es imposible determinar cuntos elementos tiene esta poblacin
EJEMPLO:
Situacin: Nmero promedio de hijos por pareja de un barrio de la ciudad
Poblacin: todas las parejas que habitan en el barrio
Tipo de poblacin: Infinita. Es muy costoso o demanda mucho tiempo determinar su tamao
1.2.8

CARACTERSTICAS OBSERVABLES EN UNA POBLACIN

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

15

UNIDADES TECNOLGICAS DE SANTANDER


A los elementos de una poblacin se les observan sus caractersticas o la intensidad con que se presenta
una magnitud.
De acuerdo con su comportamiento las caractersticas que se observan en los elementos de una poblacin
se pueden clasificar en constantes o variables
1.2.8.1 CARACTERSTICAS CONSTANTES
Una caracterstica es constante cuando el valor que presenta esta caracterstica no vara de un elemento a
otro o vara muy poco; por ejemplo, la estatura de una persona adulta observada en los ltimos 20 meses o
la profesin de un graduado universitario.
1.2.8.2
CARACTERSTICAS VARIABLES
Es una caracterstica que cambia frecuentemente de valor cuando se observa en algunos o en todos los
elementos de la poblacin.
Es un smbolo que puede tomar diversos valores dentro de un conjunto determinado de valores que
reciben el nombre de dominio de la variable.(Significado matemtico)
La estadstica solamente estudia las caractersticas variables Estas caractersticas variables, comnmente
denominadas variables, pueden ser de dos clases:
Variables cualitativas o categricas
Variables cuantitativas
1.2.8.2.1 Variables cualitativas o categricas:
Son las que describen el estado de la caracterstica nicamente mediante palabras. Se refieren a atributos,
cualidades, actitudes o preferencias de los elementos que se estn estudiando
EJEMPLOS:
Las profesiones u ocupaciones de un grupo de personas: Abogado, maestro, panadero, ingeniero, etc.
El estado civil de un grupo de personas: Soltero, casado, unin libre, etc.
El sabor de las naranjas de una cosecha: dulce, inspido, cido
El color favorito de un grupo de individuos: Blanco, rojo, verde, etc.
Pasatiempos de un grupo de estudiantes: Deportes, lectura, reuniones sociales, labores manuales, etc.
La calidad de un producto: Bueno, regular o defectuoso
Como se puede observar, en los ejemplos, cada una de estas variables se expresa a travs de dos o ms
modalidades o categoras: soltero, casado, unin libre; bueno, regular, defectuoso.
Los datos que se registran cuando las variables son cualitativas o categricas corresponden a la cantidad o
proporcin de elementos que caen dentro de cada categora que toma la variable, por ejemplo: el nmero de
abogados o de maestros, el nmero de individuos que prefieren el color blanco, la proporcin de productos
defectuosos.
Las variables categricas se pueden a su vez subdividir en variables nominales y variables ordinales.
1.2.8.2.1.1 Variables Nominales:
Son las que no tienen una forma particular de organizar sus categoras. Por ejemplo, no existe una forma
comn de ordenar los colores o el estado civil de las personas.
1.2.8.2.1.2 Variables ordinales:
Cuando existe una forma comn de organizar las categoras que toma la variable. Por ejemplo: las
modalidades como se puede expresar la calidad de un producto se pueden ordenar como bueno, regular,
defectuoso o al contrario, en defectuoso, regular, bueno. Las categoras con las que se califica el servicio
que presta una EPS se pueden ordenar como psimo, malo, regular, bueno o excelente.
DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

16

UNIDADES TECNOLGICAS DE SANTANDER

1.2.8.2.2 Variables cuantitativas:


Son las que se describen por medio de nmeros, por ejemplo, la edad de los empleados de una empresa,
las personas que visitan por da un museo, los saldos de las cuentas por cobrar de una empresa, el peso de
los paquetes que moviliza una empresa transportadora, el nmero de vehculos que vende un
concesionario, etc.
Las variables cuantitativas se pueden clasificar, tambin, en discretas o continuas:
1.2.8.2.2.1 Variables cuantitativas discretas:
Son las que nicamente pueden tomar valores enteros tales como el nmero de vehculos que vende un
concesionario o el nmero de personas que asisten a una sala de cine
1.2.8.2.2.2 Variables cuantitativas continuas:
Son las que se refieren a mediciones de magnitudes fsicas o a caractersticas apreciables en unidades
monetarias y admiten valores fraccionarios o decimales tales como el peso de los paquetes que moviliza una
transportadora, los saldos de las cuentas de ahorro de una entidad financiera o el tiempo que dura el
recorrido de un bus urbano.
1.2.8.2.3 Variables cuantitativas categricas:
Cuando se quiere facilitar el manejo de los datos o aumentar la comprensin de un fenmeno, las variable
cuantitativas se pueden convertir en categricas, como cuando las personas que miden menos de 1.50
metros se clasifican como de estatura pequea, las personas que miden entre 1.50 metros y menos de 1.70
se clasifican como de estatura mediana y las personas que miden 1.70 metros o ms se clasifican como de
estatura alta.
1.2.9

CENSO

Es cuando se observa y registra el estado de una caracterstica examinado a todos los elementos de una
poblacin
Los censos rara vez se realizan debido al tiempo que demandan y a la cantidad de recursos que necesitan
por lo que se recurre a tomar datos del estado de la variable en algunos de los elementos de la poblacin
1.2.10 MUESTRA
Es cuando se observa y registra el estado de una caracterstica variable examinado a una parte de los
elementos que pertenecen a una poblacin
Las muestras deben ser representativas y para esto se requiere que las caractersticas de la poblacin estn
representadas en la muestra, en la misma proporcin en que estn incluidas en la poblacin.
1.2.11 TAMAO DE LA MUESTRA
Es el nmero de elementos que componen la muestra. Se suele indicar con la letra n
EJEMPLO:
Para indicar que una muestra tiene 350 elementos se indica as: n = 350
1.2.12 PARMETRO
Es el resultado de una medida o clculo que se hace utilizando los datos relacionados con el valor que toma
una caracterstica variable cuando se observan todos los elementos de una poblacin, es decir, cuando se
hace un censo. Por ejemplo, la edad promedio de los nios que cursan primer grado, este ao, en todas las

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

17

UNIDADES TECNOLGICAS DE SANTANDER


escuelas oficiales de la ciudad. El parmetro siempre es un valor constante.
1.2.13 ESTADSTICO
Es el resultado de una medida o clculo que se hace utilizando los datos relacionados con el valor que toma
una caracterstica variable cuando se observan algunos de los elementos de una poblacin, o sea, una
muestra. Por ejemplo, la edad promedio de los nios de primer grado de algunas escuelas oficiales de la
ciudad escogidas al azar. El estadstico es un valor que vara de muestra en muestra
1.2.14 TIPOS DE ESTUDIOS ESTADSTICOS
Los estudios estadsticos pueden ser experimentales y de observacin
En los estudios estadsticos experimentales el investigador controla o manipula una o varias variables con
el fin de determinar su comportamiento en determinadas condiciones
En los estudios estadsticos de observacin el investigador registra el estado de la caracterstica variable
que le interesa sin ejercer ninguna influencia sobre ella. El estudio estadstico de observacin mas comn es
la encuesta.
1.2.15 UNIDAD DE OBSERVACIN O DE INVESTIGACIN
Se llama Unidad de Observacin o de Investigacin a alguno de los siguientes conceptos:
Al nombre genrico, que se le da a los elementos cuya caracterstica se est registrando
A la entidad que se investiga o de la que se recolectan los datos
Al soporte de donde se extraen los datos
1.2.16 ESTADSTICAS
Es cualquier conjunto ordenado de datos como por ejemplo las estadsticas de un torneo de ftbol, las
estadsticas de ventas de una empresa o las estadsticas de accidentes
1.2.17 EJERCICIOS RESUELTOS:
Primer caso
Se encuestaron a 200 personas escogidas al azar entre todas las personas que visitaron un centro comercial
de la ciudad, preguntando lo siguiente:
Qu da de la semana prefiere para visitar el centro comercial?
Realiza alguna compra cada vez que visita el centro comercial?
Cundo realiza alguna compra a qu valor puede ascender esta compra?
a) Cules son los elementos de este estudio?
b) Defina la poblacin en estudio
c) De qu tipo es esta poblacin?
d) Cul es la muestra de este estudio?
e) Cul es el tamao de esta muestra?
f) Cul es el tipo exacto de cada una de las variables del estudio?
g) Cules son las categoras de cada una de las variables cualitativas?
h) Cmo se pueden categorizar cada una de las variables cuantitativas?
i) S el valor mnimo de compra, encontrado en el estudio fue de $10.000 Cmo se llama en estadstica a
este valor?
j) Qu comportamiento puede tener el valor del punto anterior, cundo se tomen otras muestras?
k) Se realiz un censo o un muestreo?
l) Qu tipo de estudio se realiz?

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

18

UNIDADES TECNOLGICAS DE SANTANDER


SOLUCIN
a) Las personas
b) Todas las personas que visitan ese centro comercial
c) Infinita
d) Las 200 personas escogidas
e) n = 200
f) Da de la semana que prefiere para visitar el centro comercialVariable ordinal
Realiza alguna compra cada vez que visita el centro comercial? Variable nominal
Valor de la compra Variable continua
g) Das de la semana: Lunes, Martes, Mircoles, Jueves, Viernes, Sbado, Domingo
Realiza alguna compra: S, No
h) Valor de la compra, por ejemplo:
de $10.000 a $15.0000
de $15.0000 a $20.0000
de $20.0000 a $25.000, etc
i)
j)
k)
l)

Estadstico
Comportamiento variable
Un muestreo
Un estudio observacional

Segundo caso
la cooperativa de ahorro y crdito COOPERCRDITO, encuest a todos sus 750 afiliados, preguntando lo
siguiente:
Cunto tiempo hace que est afiliado a la cooperativa?
Cuntos crditos ha solicitado en el ltimo ao?
Califique de 1 a 5 el servicio que recibe de la cooperativa, donde 1 es psimo, 3 es regular y 5 es
excelente.
a) Cules son los elementos de este estudio?
b) Defina la poblacin en estudio
c) De qu tipo es esta poblacin?
d) Se realiz un censo o un muestreo?
e) Cul es el tamao de la poblacin?
f) Cul es el tipo exacto de cada una de las variables del estudio?
g) Cules son las categoras de cada una de las variables cualitativas?
h) Cmo se pueden categorizar cada una de las variables cuantitativas?
i) S como mximo los afiliados han solicitado 5 crditos en el ltimo ao Cmo se llama en estadstica a
este valor?
j) Qu comportamiento tiene el valor del punto anterior?
k) Qu tipo de estudio se realiz?
SOLUCIN
a) Los afiliados
b) Todos los afiliados a la cooperativa COOPERCRDITO
c) Finita
d) Un censo
e) N = 750
f) Tiempo de afiliacin Continua
Crditos solicitados Discreta
Calificacin del servicio Ordinal
g) Calificacin del servicio: 1, 2, 3, 4, 5
h) Tiempo de afiliacin, por ejemplo: de 0 a 2 aos
de 2 a 4 aos
de 4 a 6 aos, etc.
Crditos solicitados, por ejemplo: de 0 a 1 crditos
de 2 a 3 crditos
de 4 a 5 crditos, etc.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

19

UNIDADES TECNOLGICAS DE SANTANDER


i)
j)
k)

Parmetro
Es una constante
Un estudio observacional

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

20

UNIDADES TECNOLGICAS DE SANTANDER


1.3

1.3.1

ARREGLO DE DATOS DE VARIABLE CONTINUA

INTRODUCCIN

Para visualizar las caractersticas de una situacin representada por un conjunto de datos o establecer el
patrn de comportamiento de esta situacin, los datos se deben organizar de alguna manera. La Estadstica
propone una metodologa que consiste en agrupar los datos recolectados en conjuntos de categoras o
clases estadsticas y con este conjunto construir una tabla que se llama Distribucin de Frecuencias
1.3.2

CONCEPTO DE CLASE O CATEGORA

En general, una clase o categora es un conjunto de elementos que tienen una o varias caractersticas en
comn, por ejemplo, las personas que compiten en algn deporte pertenecen a la clase de los deportistas,
las personas mayores de 60 aos pertenecen a la clase de la tercera edad
1.3.3

CLASE ESTADSTICA O CATEGORA ESTADSTICA

En estadstica se llama clase, nicamente, a un conjunto de datos que estn dentro de un intervalo
determinado de valores. Por ejemplo, para datos correspondientes a ingresos de personas podemos crear
una clase de las personas que tienen ingresos entre $500.000 y $800.000. Toda clase estadstica tiene, por
lo tanto, un lmite inferior ( $500.000 ), y un lmite superior ( $800.000 )
1.3.4

AMPLITUD DE CLASE O INTERVALO DE CLASE

Es la distancia o diferencia que hay entre los lmites de una clase. En el ejemplo anterior la amplitud de la
clase de ingresos es de $300.000. Es decir, que para calcular la amplitud de clase se resta del lmite
superior de la clase el lmite inferior.
Para expresar estas ideas en smbolos, llamamos A a la amplitud de la clase, LS al lmite superior de la clase
y LI al lmite inferior de la clase, expresando aritmticamente la amplitud de la clase as:

=
Para el ejemplo:

= = $800.000 $500.000 = $300.000


Entonces, para visualizar las caractersticas de un conjunto de datos, la Estadstica propone que se agrupen
estos datos en intervalos de valores o clases
1.3.5

CARACTERSTICAS DE LOS CONJUNTOS DE CLASES ESTADSTICAS

Un conjunto de clases o categoras es considerado como un conjunto de clases estadstico s todas las
clases, del conjunto, tienen, simultneamente, las siguientes tres caractersticas:
Amplitud constante
Mutuamente excluyentes
Exhaustivas
Amplitud constante se refiere a que la amplitud de todas las clases de un conjunto de clases en que se
agrupa un determinado grupo de datos debe ser la misma para todo el conjunto.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

21

UNIDADES TECNOLGICAS DE SANTANDER


Conjunto de clases mutuamente excluyentes se refiere a que cualquier dato, de un grupo de datos en
estudio, debe corresponder nicamente a una sola clase
Conjunto de clases exhaustivas cuando el conjunto de clases puede contener a todos los datos de una
muestra.
1.3.6

NMERO DE CLASES

Una de las primeras inquietudes que surge cuando se van a agrupar un conjunto de datos en clases
estadsticas es en cuantas clases es conveniente o adecuado agrupar estos datos. Hay dos criterios para
resolver este problema como se presenta en la siguiente grfica:

Los criterios propios se aplican cuando una circunstancia tcnica o alguna otra razn hacen deseable un
determinado nmero de clases para agrupar los datos del fenmeno en estudio. Tambin, se aplican criterios
propios cuando se desea facilitar la comparacin del estudio actual con otro realizado en alguna poca
anterior.
El criterio del volumen de datos se refiere a que el nmero de clases en que se van a agrupar los datos, de
algn fenmeno en estudio, depende exclusivamente, de la cantidad de datos que se hayan recolectado
sobre ese fenmeno.
En general, las alternativas, ms usuales, cuando se aplica el segundo criterio son:
La norma emprica de la estadstica indica que el nmero de clases en que se deben agrupar cualquier
conjunto de datos debe ser como mnimo 5 6 clases y como mximo alrededor de 20 clases
La frmula exponencial que tiene la siguiente expresin: 0 = 2
La frmula logartmica que tiene la siguiente expresin: 0 = 1 + 3,3()
En la expresin, = 0. es la abreviatura de nmero de clases y indica la cantidad de
clases en que, segn esta expresin, se deben agrupar los datos.
Por ejemplo, para un estudio que contiene 155 datos esta expresin funciona as:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

22

UNIDADES TECNOLGICAS DE SANTANDER


S = 6 clases, entonces,
conveniente.

0 = 26 = 64 como 64 < 155

S = 7 clases, entonces,
es conveniente.

0 = 27 = 128

el nmero de clases igual a 6 no es

como 128 < 155

el nmero de clases igual a 7 no

S = 8 clases, entonces, 0 = 28 = 256


como 256 > 155 el nmero de clases igual a 8,
segn este procedimiento, es al ms adecuado para agrupar los 155 datos del estudio.
En la expresin = + , ()
es tambin, la abreviatura de nmero de
clases, () se refiere a logaritmo con base 10 y es la cantidad o volumen de datos, que se desean
agrupar
Por ejemplo, para el estudio de 155 datos se tiene: 0 = 1 + 3,3(155)
quiere decir que el nmero conveniente de clases, para agrupar estos 155 datos es de 8 clases

= 8,23

Otros criterios pueden ser, por ejemplo, nmeros de clases que hacen que los lmites de las clases sean
muy fciles de establecer o que las clases automticamente queden mutuamente excluyentes.
1.3.7

EJEMPLO PRCTICO

La siguiente tabla se refiere a los galones de gasolina corriente que tanquearon la semana pasada, en un
autoservicio, una muestra de vehculos escogidos al azar
3,8

1,7

2,8

2,0

2,5

1,8

2,9

3,6

2,2

3,0

2,8

4,7

3,3

6,9

5,0

2,6

4,0

2,7

4,1

3,4

4,8

5,3

4,9

3,0

3,9

2,0

5,6

2,3

4,5

2,9

6,1

3,0

1,9

6,4

2,6

2,0

2,0

2,6

3,1

Este ejemplo es til para fines de aprendizaje, porque en situaciones reales, se suelen manejar volmenes
de datos muy superiores al del presente ejemplo
1.3.8

MTODO ESTADSTICO

Como se dijo al comienzo de este tema, para describir una situacin representada por un conjunto de datos, como el
anterior, la estadstica propone agrupar los datos en un conjunto de clases o categoras y con este conjunto construir
una tabla que se llama Tabla de Frecuencias o Distribucin de Frecuencias.
Para realizar este proceso se deben resolver, en primera instancia, las siguientes preguntas:

De qu tipo es la variable?
En cuntas clases o categoras es ms conveniente agrupar los datos?
Cul es la amplitud de clases ms conveniente?
Cules deben ser los lmites de la primera clase?

Para resolver estas preguntas se propone el siguiente procedimiento:


1.3.9

PROCEDIMIENTO PARA CONSTRUIR UN CONJUNTO DE CLASES ESTADSTICO CON


VARIABLE CONTINUA

1. Tipo de variable relacionada con la situacin en estudio


(Revisar el tema en el mdulo CONCEPTOS BSICOS)
2. Para establecer el nmero de clases teniendo en cuenta el volumen de datos, se escoge, a criterio del
DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

23

UNIDADES TECNOLGICAS DE SANTANDER


analista, entre la frmula exponencial o la frmula logartmica
3. Para establecer la amplitud de las clases:
Determinar los valores mximo y mnimo del conjunto de datos que llamaremos aqu:

Calcular el Rango, R o distancia entre el valor ms pequeo y el valor ms grande de los datos de la
muestra con la expresin: =

Calcular la amplitud de las clases con la expresin: : =


0

Modificar la amplitud calculada en el paso anterior. A esta amplitud la llamaremos:


Existen varios criterios para realizar este ltimo paso, entre los cuales se encuentran:
Que la amplitud tenga la misma precisin de los datos del estudio
Que los lmites de las clases resultantes sean nmeros fciles de manejar. Por ejemplo,
nmeros enteros o valores terminados en nmero par
Que la marca de clase, que se estudiar ms adelante, sea un valor fcil de manejar
4. Establecer los lmites de primera clase.
Para realizar este paso se recomienda que siempre que sea posible, el lmite inferior de la primera clase
debe ser menor que el

Una vez realizado el cuarto paso se agregan las dems clases, faltantes, teniendo en cuenta que para,
variable continua, el lmite superior de una clase debe coincidir con el lmite inferior de la siguiente.
Cuando se haya establecido el conjunto de clases en que se van a agrupar los datos del estudio, se debe
verificar que renan las tres condiciones de todo conjunto de clases estadstico.
1.3.10 DESARROLLO DEL EJEMPLO
1. Tipo de variable en estudio: en este caso es variable continua
2. Determinar el nmero de clases
Como se indic anteriormente el nmero de clases se puede determinar de acuerdo a los siguientes
criterios.
Por criterios propis: Cuando exista alguna circunstancia que haga conveniente o deseable un
determinado nmero de clases

Norma emprica: Se puede escoger cualquier nmero de clases entre 6 y 20 dependiendo del
criterio o preferencia personal del analista y se hacen varios tanteos hasta encontrar un nmero de
clases satisfactorio

Aplicando las frmulas exponencial o logartmica

Aplicando la frmula 0 = 2
Para = 5 clases, entonces,
es conveniente.
S = 6 clases, entonces,
conveniente de clases

0 = 25 = 32 como 32 < 39

0 = 26 = 64

como 64 > 39 quiere decir que 6 es el nmero

Aplicando la frmula 0 = 1 + 3,3() entonces,


que el nmero de clases conveniente es de 6
3. Construccin de las clases o categoras:
especficos para variable continua

DEPARTAMENTO DE CIENCIAS BSICAS

el nmero de clases igual a 5 no

0 = 1 + 3,3(39) = 6,25

quiere decir

Estos pasos se presentan en la siguiente tabla y son

VERSIN 12

FECHA: 2015

Pgina

24

UNIDADES TECNOLGICAS DE SANTANDER

TABLA No.1
No.C =

Xmax

6,9

Xmin

1,7

Xmax - Xmin =
R / No.C

6,9 - 1,7

= 5,2 / 6

5,2

= 0,86666667

S para modificar la amplitud, utilizamos el criterio de que debe tener la misma precisin de los datos del
estudio, entonces, en este caso, la amplitud debe ser igual a 0,8, pero, como hay ms dgitos despus del
primer decimal, siempre se ajusta hacia arriba, por lo que la amplitud modificada queda as:

Amod

0,9

4. Establecer los lmites de la primera clase


Para establecer los lmites para la primera clase dijimos que se recomienda que el lmite inferior, de esta
clase, sea un nmero inferior al Xmin, en este caso, un nmero inferior a 1,7. Con mucha frecuencia, el
contexto en el que se desarrolla el estudio, orienta a la analista, sobre cul puede ser ese valor, pero, si
no se tiene ninguna idea sobre este aspecto se puede utilizar el siguiente procedimiento:

Recalcular el rango, que llamaremos Rango Modificado


decir:

( Rmod ),

con la amplitud modificada, es

Rmod = Amod x No.C = 0,9x6 = 5,4

Hallar la diferencia entre el rango modificado y el rango original, es decir:

Rmod - R = 5,4 5,2 = 0,2

Restar esta diferencia al

Xmin, es decir:

Xmin = 1,7 0,2 = 1,5 por lo que el lmite inferior de la primera clase podra ser 1,5 como se
observa en la tabla No.2

Xmin se refiere al lmite inferior de la primera clase


El lmite superior de la primera clase se obtiene sumndole al lmite inferior la amplitud modificada.
Se puede, ahora, terminar de construir el conjunto de clases, teniendo en cuenta que, para variable continua,
el lmite superior de una clase es igual al lmite inferior de la clase siguiente y teniendo el cuidado de revisar,
que este conjunto, rena las tres condiciones de todo conjunto de clases estadstico.
1.3.11 CONSTRUCCIN DE LA DISTRIBUCIN DE FRECUENCIAS
Para realizar este proceso se siguen los siguientes pasos:
Establecer el nmero de observaciones dentro de cada clase ( FA ) ( tabla de conteo )
Calcular la frecuencia relativa ( FR )

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

25

UNIDADES TECNOLGICAS DE SANTANDER

Ajustar la frecuencia relativa para que la suma de igual a 1


Calcular la frecuencia relativa acumulada ( FRA)
TABLA No.2
DISTRIBUCIN DE FRECUENCIAS

No.
1
2
3
4
5
6

CLASES
1,5
2,4
2,4
3,3
3,3
4,2
4,2
5,1
5,1
6,0
6,0
6,9

FA
9
14
6
5
2
3
39

FAA
9
23
29
34
36
39

TABLA No.3

FR
0,23
0,36
0,15
0,13
0,05
0,08
1,00

Menor
Que
1,5
2,4
3,3
4,2
5,1
6,0
6,9

FRA
0,23
0,59
0,74
0,87
0,92
1,00

FRA
0
0,23
0,59
0,74
0,87
0,92
1,00

La tabla No.2 recibe el nombre de DISTRIBUCIN DE FRECUENCIAS o TABLA DE FRECUENCIAS y los


detalles de su construccin sern explicados por el docente en la exposicin que haga sobre este tema y el
significado de las columnas FA, FR y FRA se expone a continuacin
1.3.12 LOS TIPOS DE FRECUENCIAS
Los tipos de frecuencias que se presentan en la tabla No.2 son los siguientes:

Frecuencia Absoluta FA: Es la cantidad de datos de la muestra que corresponden a cada clase. Se
obtiene por conteo
Frecuencia Absoluta Acumulada FAA: Se obtiene, para cada clase, sumando la frecuencia absoluta
de la clase, FA, con la frecuencia absoluta de la clase anterior

Frecuencia Relativa FR: Se calcula, para cada clase, dividiendo la frecuencia absoluta de la clase, FA,
entre el total de datos de la muestra. Es prctico que los valores de la frecuencia relativa se tomen con
dos decimales y su suma se ajuste para que d exactamente uno

Frecuencia Relativa Acumulada FRA: Se calcula, para cualquier clase, sumando la frecuencia relativa
de la clase, FR, con la frecuencia relativa de la clase anterior

1.3.13 LECTURA DE LA DISTRIBUCIN DE FRECUENCIAS


Esta tabla permite describir la situacin histrica de la venta de gasolina en esta estacin de servicio, por
ejemplo, la mayora de los vehculos de la muestra, un 36%, tanquearon entre 2,4 y 3,3 galones de
gasolina, el 5% de los vehculos de la muestra tanquearon entre 5,1 y 6,0 galones de gasolina y fue la clase
con menor frecuencia de tanqueo. Solamente tres vehculos de la muestra tanquearon ms de 6,0 galones.
1.3.14 LA TABLA MENOR QUE
Es una tabla auxiliar que se construye a partir de las distribuciones de frecuencias acumuladas, FAA y FRA,
con el fin de facilitar la descripcin de la situacin utilizando estas frecuencias. Esta tabla se encuentra al
lado de la tabla de distribucin de frecuencias y se utiliz, en este caso, la columna de frecuencia relativa
acumulada.
Observando esta tabla se puede ver que el 59% de los vehculos de la muestra tanquearon menos de 3,3
galones de gasolina o que el 13% de los vehculos de la muestra tanquearon mas de 5,1 galones
1.3.15 REPRESENTACIN GRFICA DE LA SITUACIN EN ESTUDIO
La Estadstica Descriptiva utiliza tres tipos de grficos para representar cualquier situacin o fenmeno en

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

26

UNIDADES TECNOLGICAS DE SANTANDER


estudio:
El histograma
El polgono de frecuencias
La ojiva
Estos grficos permiten visualizar de manera fcil y rpida los resultados que se presentan en la distribucin
de frecuencias
1.3.16 EL HISTOGRAMA
Es un grfico de frecuencia absoluta, FA o la frecuencia relativa, FR, donde las clases se representan
mediante rectngulos. El siguiente histograma se refiere al ejemplo prctico y se utiliz la frecuencia relativa

HISTOGRAMA
0,40

0,36

FRECUENCIA RELATIVA

0,35
0,30
0,25

0,23

0,20

0,15

0,13

0,15

0,08

0,10

0,05

0,05
0,00

1.5

2.4

3.3

4.2

5.1

6.0

6.9

GALONES

1.3.17 EL POLGONO DE FRECUENCIAS


Se hace a partir del histograma uniendo las marcas de clase proyectadas sobre el lado superior de los
rectngulos y agregando, para cerrar la figura, dos clases adicionales, una, por encima del lmite superior de
la clase ms alta y la otra, por debajo del lmite inferior de la clase ms baja
Para construir el polgono de frecuencias necesitamos introducir el concepto de Marca de Clase
1.3.18 MARCA DE CLASE
Es el punto medio de una clase. Se calcula sumando los lmites de cada clase y dividiendo este total por 2.
El smbolo que usualmente se utiliza para representar la marca de clase es Xi
La expresin matemtica de la marca de clase es:

Xi =

+
2

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

27

UNIDADES TECNOLGICAS DE SANTANDER


Donde LS es el lmite superior de la clase y LI es el lmite inferior de la clase. Por ejemplo, para construir la
marca de clase de la primera clase se procede as:

Xi =

1,5 + 2,4
2

1,95

Las marcas de clase se utilizan, tambin, cuando se requiere representar todos los valores de una clase por
un solo nmero. Por ejemplo, 1,95 galones representa todos los valores de la muestra que se encuentran
entre 1,5 galones y 2,4 galones
Se puede construir, entonces, con las marcas de clase, una tabla auxiliar de clculos que permita elaborar
fcilmente el polgono de frecuencias, como se presenta a continuacin:
TABLA AUXILIAR DE CLCULOS
Marca de
No.
CLASES
clase
FR
0
0,6
1,5
1,05
0,00
1
1,5
2,4
1,95
0,23
2
2,4
3,3
2,85
0,36
3
3,3
4,2
3,75
0,15
4
4,2
5,1
4,65
0,13
5
5,1
6,0
5,55
0,05
6
6,0
6,9
6,45
0,08
7
6,9
7,8
7,35
0,00
Obsrvese que la tabla tiene ahora 8 clases porque se han agregado dos clases, la nmero cero y la nmero
7. A estas clases se les llama clases falsas porque no hay observaciones para ellas; su finalidad es
presentar el polgono de frecuencias como una figura cerrada
POLGONO
DE FRECUENCIAS
0,36

FRECUENCIA RELATIVA

0,40
0,30

0,23

0,20

0,15

0,10

0,13
0,05

0,08

0,00

0,00

0,00
1,05

1,95

2,85

3,75

4,65 5,55
GALONES

6,45

7,35

Tanto el histograma como el polgono de frecuencias permiten visualizar algunas de las caractersticas de la
situacin o fenmeno que se est estudiando, tales como:
El rango de los datos
Alrededor de qu valores tienden a agruparse los datos
Valores de la muestra que se presentan con ms o menos frecuencia
A qu lado de la grfica parecen agruparse ms los datos
Los dems detalles de la construccin del polgono de frecuencias sern explicados por el docente en la
exposicin que haga sobre este tema

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

28

UNIDADES TECNOLGICAS DE SANTANDER


1.3.19 COMO INTERPRETAR UN HISTOGRAMA O UN POLGONO DE FRECUENCIAS
Los histogramas y los polgonos de frecuencias facilitan a las personas que tienen que tomar decisiones
sobre una determinada situacin una visin rpida del comportamiento y caractersticas de la situacin que
se estudia. Algunas de las preguntas que se pueden responder observando estas grficas son:
Cul es el rango de los datos?
En qu clases se concentran el mayor nmero de datos?
Cul clase contiene menos datos?
Qu valores de la muestra se presentan con ms o menos frecuencia?
A qu lado de la grfica parecen concentrarse ms los datos?
Se presentan huecos o clases vacas?
Se presentan valores aislados de los dems?
La grfica presenta subidas o bajadas bruscas o suaves?
Cuntos picos tiene la grfica?
Es simtrica la grfica?
1.3.20 LA OJIVA
La ojiva es un grfico de frecuencias acumuladas que describe que cuantas unidades o qu porcentaje de
unidades se encuentran por encima o por debajo de un determinado valor de la variable.
Este grfico se construye a partir de la tabla MENOR QUE, utilizando la frecuencia absoluta acumulada, FAA
o la frecuencia relativa acumulada, FRA. En el grfico que se presenta a continuacin se utiliz la frecuencia
relativa acumulada.

OJIVA
FRECUENCIA RELATIVA ACUMULADA

1,2
1,00
1

0,87

0,92

0,74

0,8
0,59
0,6
0,4
0,23
0,2
0
0
1,5

2,4

3,3

4,2

5,1

6,0

6,9

GALONES

Los detalles sobre la construccin de estos grficos sern explicados por el docente en la exposicin que
haga sobre este tema
1.3.21 LA INTERPOLACIN
En general, la interpolacin, es un mtodo de clculo para establecer el valor de la ordenada de un valor de

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

29

UNIDADES TECNOLGICAS DE SANTANDER


la variable que se encuentra dentro de otros valores ya calculados en una tabla. En el caso de la
Estadstica Descriptiva, se utiliza para calcular valores de la frecuencia absoluta acumulada, FAA o de la
frecuencia relativa acumulada, FRA, correspondientes a valores de la variable que no se encuentran en la
tabla MENOR QUE, pero que estn dentro de los valores mnimo y mximo recolectados en el estudio.
Por ejemplo, si se quiere saber qu porcentaje de los vehculos tanquearon mas de 4,8 galones de gasolina,
al buscar este valor en la tabla MENOR QUE se detecta que aunque no est tabulado, se encuentra entre
los valores de la variable 4,2 y 5,1 galones. Con esta informacin se pueden disponer los datos existentes y
los buscados de la siguiente manera:

X0 = 4,2
X1 = 4,8
X2 = 5,1

Y0 = 0,74
Y1=
?
Y2 = 0,87

La expresin matemtica que permite realizar el clculo de interpolacin es la siguiente:

Y1= Y0 +

(1 0 )
(2 0 )

(Y2 - Y0)

Reemplazando los smbolos por los valores se tiene:

Y1= 0,74 +

( 4,8 4,2 )

( 0,87 - 0,74 ) = 0,827 0,83


( 5,1 4,2 )

Esto quiere decir que el 83% de los vehculos de la muestra tanquearon menos de 4,8 galones, pero, como
se quiere saber es que porcentaje tanque ms de 4,8 galones, se debe restar el resultado anterior de 1
1 - 0,83 = 0,17 = 17% que es, entonces, porcentaje de vehculos de la muestra que tanquearon mas de
4,8 galones

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

30

UNIDADES TECNOLGICAS DE SANTANDER


1.4

1.4.1

ARREGLO DE DATOS DE VARIABLE DISCRETA

PROCEDIMIENTO PARA COSNTRUIR UN CONJUNTO DE CLASES ESTADSTICO PARA


VARIABLE DISCRETA

1. Tipo de variable relacionada con la situacin en estudio


(Revisar el tema en el mdulo CONCEPTOS BSICOS)
2. Para establecer el nmero de clases:
3. Por conveniencia
4. Norma emprica
5. Frmulas exponencial o logartmica
3. Para establecer la amplitud de las clases:
Determinar los valores mximo y mnimo del conjunto de datos que llamaremos aqu:

Calcular el Rango, R o distancia entre el valor ms pequeo y el valor ms grande de los datos de la
muestra con la expresin: =

Calcular la amplitud de las clases con la expresin: : =


0
Tomar como amplitud modificada solamente la parte entera
Aqu se debe revisar si la amplitud modificada es un valor impar. Cuando se da este caso, se debe
hacer una correccin como se muestra en el desarrollo del Ejemplo Prctico
4. Establecer los lmites de la primera clase:

Se toma como lmite inferior de la primera clase el


El lmite superior de la primera clase se obtiene sumndole al lmite inferior la amplitud modificada.
Las dems clases se construyen, teniendo en cuenta, que por ser variable discreta, las clases no
pueden ser contiguas, por lo que el lmite inferior de cualquier clase es igual al lmite superior de la clase
anterior ms uno
1.4.2

EJEMPLO PRCTICO

Una muestra de 41 das del nmero de transacciones que se realizan por da en un cajero automtico se
presenta en la siguiente tabla:
73
83
87
47
80

1.4.3

68
56
91
81
84

76
79
78
54
36

71
62
49
90
67

60
64
91
77
51

41
87
72
63
45

91
66
63
52
61

67
74
68
75
57

85

DESARROLLO DEL EJEMPLO

1. Tipo de variable en estudio: en este caso es variable discreta


2. Determinar el nmero de clases
Como se indic anteriormente el nmero de clases se puede determinar de acuerdo a los siguientes
criterios.
Por conveniencia: Cuando exista alguna circunstancia que haga conveniente o deseable un

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

31

UNIDADES TECNOLGICAS DE SANTANDER


determinado nmero de clases

Norma emprica: Se puede escoger cualquier nmero de clases entre 6 y 20 dependiendo del
criterio o preferencia personal del analista y se hacen varios tanteos hasta encontrar un nmero de
clases satisfactorio

Aplicando las frmulas exponencial o logartmica. Utilizando la frmula logartmica se tiene:

0 = 1 + 3,3(41) = 6,3 que indica que un nmero conveniente de clases para esta cantidad de
datos es de 6 clases.

3. Establecer la amplitud de las clases:

No.C =

Xmax

91

Xmin

36

Xmax - Xmin

91 - 36

55

R / No.C

55 / 6

9,16666667

Amod

En el clculo anterior se puede observar que para construir la amplitud modificada, se borra toda la parte
decimal de la amplitud, A, calculada
Cuando la amplitud modificada es un nmero impar, las marcas de clase, que se utilizan para representar a
las clases, son valores fraccionarios, como ocurre en este ejemplo; esta situacin es incmoda porque no
refleja la realidad en los casos de variable discreta, por lo que se prefiere agrupar los datos en clases que
sean de amplitud par, como se presenta a continuacin, para el mismo ejemplo, donde la amplitud se cambi
de 9 transacciones por da a 8 transacciones por da, esto hace que el nmero de clases pase de 6 a 7
Amod = 8
4. Establecer los lmites de la primera clase:
El lmite inferior de la primera clase es

1.4.4

= 36

CONSTRUCCIN DE LA DISTRIBUCIN DE FRECUENCIAS

Se siguen los siguientes pasos:

Establecer el nmero de observaciones dentro de cada clase ( FA ) ( tabla de conteo )


Calcular la frecuencia relativa ( FR )
Ajustar la frecuencia relativa para que la suma de igual a 1
Calcular la frecuencia relativa acumulada ( FRA)

: El resultado de este proceso se presenta en la tabla No.4


:
DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

32

UNIDADES TECNOLGICAS DE SANTANDER

TABLA No.4
No.
1
2
3
4
5
6
7

CLASES
36
44
45
53
54
62
63
71
72
80
81
89
90
98

FA
2
5
6
9
9
6
4
41

FR
0,05
0,12
0,14
0,22
0,22
0,15
0,10
1,00

TABLA No.5
Menor
Que
36
45
54
63
72
81
90
99

FRA
0,05
0,17
0,31
0,53
0,75
0,90
1,00

FRA
0
0,05
0,17
0,31
0,53
0,75
0,90
1,00

Se observa, tambin, que el lmite inferior de cada clase es igual al lmite inferior de la clase anterior ms
uno. Tambin se puede ver que el lmite superior de la ltima clase, (98), no coincide con el Xmax, (91), de
los datos y el lmite inferior de la primera clase es el Xmin (36), de los datos.
Las clases construidas de esta manera se llaman CLASES CERRADAS, porque en cada clase se
contabilizan todos los datos incluidos entre los dos lmites de la clase. Sin embargo, estas clases, como se
puede observar, son de amplitudes constantes, mutuamente excluyentes y exhaustivas.
Tambin se observa que la tabla MENOR QUE, se construye de manera un poco distinta a como se hizo
para el caso de variable continua, ntese que el ltimo valor de la columna Menor Que, no es igual al lmite
superior de la ltima clase, sino a se valor ms uno .
1.4.5

REPRESENTACIN GRFICA

1.4.5.1 HISTOGRAMA
Para el caso de variable discreta el histograma, recibe tambin el nombre de DIAGRAMA DE FRECUENCIAS y
en l las clases se encuentran separadas, como se ve en el siguiente grfico:

DIAGRAMA DE FRECUENCIAS

Frecuencia Relativa

0,25

0,22

0,22

0,2
0,15

0,14

0,15

0,12
0,1

0,1
0,05
0,05
0
36 44

45 53

54 62

63 71

72 80

81 89

90 98

Nmero de transacciones

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

33

UNIDADES TECNOLGICAS DE SANTANDER


Con frecuencia, en lugar de identificar cada clase con sus lmites de clase, es ms prctico utilizar la marca
de clase, como se muestra en este grfico, a continuacin

Diagrama de Frecuencias

Frecuencia relativa

0,25

0,22

0,22

0,20
0,15

0,14

0,15

0,12
0,10

0,10
0,05
0,05
0,00
40

49

58

67

76

85

94

Nmero de transacciones

Ahora es mucho ms fcil leer el diagrama de frecuencias, por ejemplo, en el 14% de los das de la muestra
se realizaron 58 transacciones, el nmero de transacciones por da menos frecuente, en la muestra, fue de
40 transacciones por da
1.4.5.2 POLGONO DE FRECUENCIAS
Se construye de la misma manera, a partir del diagrama de frecuencias y las marcas de clase, como se hizo
en el caso de variable continua. Ntese que en esta grfica se presenta una distorsin debido a que las
clases no son adyacentes

Polgono de Frecuencias

Frecuencia Relativa

0,25

0,22

0,22

0,2
0,15

0,14

0,15

0,12
0,10

0,1
0,05
0,05
0

0,00

0
31

40

49

58

67

76

85

94

103

Nmero de Transacciones

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

34

UNIDADES TECNOLGICAS DE SANTANDER


1.4.5.3 OJIVA
Cuando la variable es discreta, como en este caso, la ojiva se construye de forma diferente, porque la
variable slo toma valores enteros, aunque, aqu tambin, este grfico se construye a partir de la tabla
MENOR QUE
OJIVA
Frecuencia Relativa Acumulada

1,2
1,00
1

0,9

0,75

0,8
0,53

0,6
0,4

0,31
0,17

0,2

0,05

36

45

54

63

72

81

90

99

Nmero de transacciones

Se puede observar, la ojiva para variable discreta es una funcin discontinua, por lo que no tiene sentido
interpolar para este tipo de variable.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

35

UNIDADES TECNOLGICAS DE SANTANDER


1.5

ARREGLO DE DATOS PARA VARIABLE DISCRETA EN CLASES DE AMPLITUD


CERO

Cuando el intervalo de valores que toma la variable es reducido y la variable es discreta, es ms prctico
agrupar los datos en clases de amplitud cero, como se muestra en el siguiente caso. Aqu X simboliza los
valores que toma la variable que son al mismo tiempo las clases estadsticas. Estas clases cumplen con las
tres caractersticas de una clase estadstica: son de amplitud constante, son mutuamente excluyentes y son
exhaustivas
EJEMPLO
Se tom una muestra de 60 facturas registrando el nmero de errores por factura. Los resultados se
presentan en la siguiente tabla:
1
2
0
4
2
0

0
1
3
1
2
0

1
1
0
1
0
3

X
0
1
2
3
4

FA
25
19
10
4
2
60

2
1
0
0
3
1

FR
0,42
0,31
0,17
0,07
0,03
1,00

0
0
1
0
3
2

FAA
25
44
54
58
60

0
1
0
0
1
2

FRA
0,42
0,73
0,90
0,97
1,00

1
4
1
1
0
0

MENOR
QUE
0
1
2
3
4
5

0
0
2
0
2
1

0
0
2
0
2
1

1
0
0
1
0
1

FRA
0
0,42
0,73
0,90
0,97
1,00

Diagrama de Frecuencias
30
25
No. de facturas

25
19

20
15

10
10
4

0
0

2
No. de errores

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

36

UNIDADES TECNOLGICAS DE SANTANDER


ARREGLO DE DATOS CUALITATIVOS

1.6

Cuando la variable es cualitativa, el arreglo y presentacin de datos estadstico es limitado. Slo se pueden
construir distribuciones de frecuencias con las frecuencias absolutas y relativas y diagramas de frecuencias.
Adicionalmente, se utilizan en estos casos otros tipos de grficos como se presenta en el siguiente ejemplo:
EJEMPLO
Se interrog a una muestra de clientes de una cafetera sobre el tipo de bebida gaseosa que prefieren
obtenindose los siguientes resultados:
Cocacola

Quatro

Pepsicola

Cocacola

Postobn

Link

Postobn

Postobn

Pepsicola

Seven Up

Pepsicola

Cocacola

Cocacola

Quatro

Quatro

Link

Cocacola

Postobn

Pepsicola

Sprite

Pepsicola

Sprite

Cocacola

Postobn

Cocacola

Postobn

Cocacola

Postobn

Cocacola

Quatro

Pepsicola

Link

Cocacola

Postobn

Sprite

No.
1
2
3
4
5
6
7

CLASES
Cocacola
Link
Pepsicola
Postobn
Quatro
Seven Up
Sprite

FA
10
3
6
8
4
1
3
35

FR
0,29
0,09
0,17
0,23
0,11
0,03
0,08
1,00

Diagrama de Frecuencias

Frecuencia Relativa

0,35
0,3

0,29
0,23

0,25
0,2

0,17

0,15

0,11

0,09

0,1

0,08
0,03

0,05
0
Cocacola

Link

Pepsicola Postobn Quatro Seven Up

Sprite

Tipo de bebida

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

37

UNIDADES TECNOLGICAS DE SANTANDER

Seven Up

0,03

0,08

Sprite
0,29

0,11

Coca cola

Quatro

Postobn
0,23

Link
Pepsicola

0,09

0,17

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

38

UNIDADES TECNOLGICAS DE SANTANDER


1.7

EJERCICIOS RESUELTOS

Primer caso
El peso de las cajas que despacha una fbrica a sus clientes, en una muestra de 153 cajas escogidas al
azar, dio un valor mximo de 25,34 kilogramos y un peso mnimo de 10,47 kilogramos. Disee un conjunto
de 8 clases estadsticas para agrupar estos datos
SOLUCIN

No.C =
Xmax =
Xmin =
R=
A=
Amod =
Rmod =
Rmod-R =
X'min =

153
8
(8,20948)
25,34
10,47
14,87
1,85875
1,86
14,88
0,01
10,46

Clase
No.
1
2
3
4
5
6
7
8

Peso / caja
(Kilogramos)
10,46
12,32
12,32
14,18
14,18
16,04
16,04
17,90
17,90
19,76
19,76
21,62
21,62
23,48
23,48
25,34

Segundo caso
El nmero de citas por da que recibi un centro mdico, en una muestra de 139 das, escogidos al azar, dio
un valor mximo de 210 citas por da y un mnimo de 119 citas por da. Disee un conjunto de clases
estadsticas para agrupar estos datos
SOLUCIN

n
No.C =
Xmax =
Xmin =
R=
A=
Amod =
Amod(2) =
Amod(3) =

139
8 (8,07195)
210
119
91
11,375
11
10
12

Clase
No.
1
2
3
4
5
6
7
8
9

No. de citas
por da
119
129
130
140
141
151
152
162
163
173
174
184
185
195
196
206
207
217

Tercer caso
Las compras, del ao pasado, de una muestra de los
clientes de una empresa, se presenta en la tabla de la
derecha
a) Construya la columna de la frecuencia relativa, con
dos decimales y con el menor error de redondeo
posible y agregue tambin, la frecuencia relativa
acumulada

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

Clase
No.
1
2
3
4
5
6
7
8

No. de citas
por da
119
131
132
144
145
157
158
170
171
183
184
196
197
209
210
222

Ventas/cliente
(Millones de pesos)
10,3
12,1
12,1
13,9
13,9
15,7
15,7
17,5
17,5
19,3
19,3
21,1
21,1
22,9

FECHA: 2015

No. de
Clientes
10
28
20
13
11
8
7
97

Pgina

39

UNIDADES TECNOLGICAS DE SANTANDER


b)

Qu porcentaje de los clientes de la muestra compraron $17,5 millones o menos?

c)

S slo el 13% o menos de los clientes de esta muestra, del tercer punto, compraron ms de $20
millones, el ao pasado, el gerente de la empresa debe cambiar toda su estrategia de mercadeo. Qu
recomienda usted al gerente? Por qu?
SOLUCIN

a)

Ventas/cliente
(Millones de pesos)
10,3
12,1
12,1
13,9
13,9
15,7
15,7
17,5
17,5
19,3
19,3
21,1
21,1
22,9

No. de
Clientes
10
28
20
13
11
8
7
97

FR
0,10
0,29
0,21
0,14
0,11
0,08
0,07
1,00

FRA
0,10
0,39
0,60
0,74
0,85
0,93
1,00

b)

MENOR
QUE
FRA
10,3
0
12,1
0,10
13,9
0,39
15,7
0,60
17,5
0,74
19,3
0,85
21,1
0,93
22,9
1,00
Respuesta: El 74% de los clientes de la muestra compraron $17,5 millones o menos
c)

X0

19,3

Y0

X1

20

Y1

X2

21,1

Y2

0,85
0,93

Y'1 =

0,8811
1 - Y'1 =

0,1189

11,89%

Respuesta: S se debe cambiar la estrategia de mercadeo porque solamente el 12% de los clientes de la
muestra estn comprando ms de $20 millones

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

40

UNIDADES TECNOLGICAS DE SANTANDER

2 MEDIDAS DE TENDENCIA CENTRAL, DE POSICIN Y DE


DISPERSIN
2.1

2.1.1

MEDIDAS DE TENDENCIA CENTRAL

FORMAS ESTADSTICAS DE DESCRIBIR UN FENMENO

Anteriormente se vio que los fenmenos o hechos se pueden describir con tablas y grficos. En esta unidad
aprenderemos que tambin se pueden describir con nmeros.
2.1.2

CONCEPTO DE MEDIDA EN ESTADSTICA

En estadstica se llama medida a un clculo o proceso que se realiza sobre un conjunto de datos para
extraer alguna informacin

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

41

UNIDADES TECNOLGICAS DE SANTANDER

EJEMPLOS
Calcular la estatura promedio de un grupo de personas
Hallar la diferencia entre el mayor y el menor valor de un conjunto de datos
Establecer el valor que ms se repite dentro de un conjunto de datos
2.1.3

PARMETROS Y ESTADSTICOS

En la unidad anterior se vio que los clculos o medidas que se realizan con los datos referidos a una
situacin pueden clasificarse de dos maneras:
Parmetros: Cuando el clculo se realiza con todos los datos de la poblacin. Los parmetros son valores
constantes
Estadsticos: Cuando el clculo se realiza con una parte de los datos de la poblacin, es decir, una
muestra. Los estadsticos son variables
2.1.4

CLASES DE MEDIDAS EN ESTADSTICA

En estadstica existen tres clases de medidas:


Las medidas de tendencia central
Las medidas de tendencia no central o de posicin
Las medidas de dispersin
2.1.5

LAS MEDIDAS DE TENDENCIA CENTRAL

Son tres valores, con cada uno de los cuales, se pretende describir, parcialmente, el comportamiento de una
muestra o de una poblacin.
Las medidas tendencia central, reciben este nombre porque al representar el resultado de un clculo en un
grfico de una distribucin de frecuencias (histograma o polgono de frecuencias), el valor calculado siempre
se sita hacia el centro de la grfica.
2.1.6

LAS MEDIDAS DE TENDENCIA NO CENTRAL O DE POSICIN

Son, tambin, valores con los que se pretende describir parcialmente el comportamiento de los datos
referidos a un fenmeno o hecho, pero, a diferencia de las medidas de tendencia central, estos valores se
suelen situar en los bordes de la distribucin de frecuencias que los representa.
2.1.7

LAS MEDIDAS DE DISPERSIN

Las medidas de dispersin son clculos o valores que indican que tan concentrados estn los datos
alrededor de un valor especial que se toma como referencia
2.1.8

MEDIDAS PARA POBLACIONES Y MEDIDAS PARA MUESTRAS

Las medidas de tendencia central y de dispersin pueden clasificarse como Parmetros o Estadsticos,
segn sea que los datos utilizados correspondan a una poblacin o a una muestra.
Los clculos de las medidas de tendencia central y de dispersin para poblaciones, en algunos casos, son
diferentes de los clculos de las medidas de tendencia central y de dispersin para muestras, por lo que se
utilizan, en estos casos, smbolos diferentes para cada tipo de medida.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

42

UNIDADES TECNOLGICAS DE SANTANDER


2.1.9

CLASES DE MEDIDAS DE TENDENCIA CENTRAL

Existen tres clases de medidas de tendencia central:


La media aritmtica o promedio
La mediana
La moda
2.1.10 LA MEDIA ARITMTICA
Existen dos tipos de media aritmtica: la Media Aritmtica Simple y la Media Aritmtica Ponderada. A la
media aritmtica simple se le llama usualmente La Media y la forma de calcularla depende de s los datos
estn o no agrupados en clases.
2.1.10.1 MEDIA ARITMTICA PARA DATOS NO AGRUPADOS
La media aritmtica, para datos no agrupados, se calcula sumando los valores registrados de la variable en
estudio y dividiendo entre el total de estos valores registrados. La expresin matemtica de este clculo
tiene dos presentaciones: una s los datos registrados corresponden a una poblacin y otra s los datos
corresponden a una muestra, tal como se indica a continuacin:

Para poblaciones

Para muestras

El significado de los smbolos es el siguiente:


:

Es la letra del alfabeto griego mu, simboliza la media aritmtica calculada para una poblacin

Se lee equis trazo o equis barra, simboliza la media aritmtica calculada para una muestra
Es el nmero de valores que toma la variable, en estudio, en la poblacin
Es el nmero de valores que toma la variable, en estudio, en la muestra
Es cada uno de los valores que toma la variable en la muestra o en la poblacin
EJEMPLO
Las comisiones que un vendedor ha recibido en los 6 primeros meses del ao se presentan en la siguiente
tabla:

MES

Ingresos
(Miles de $ )

Enero
Febrero
Marzo

800
950
920

Abril
Mayo
Junio

1000
830
900

Calcular la media aritmtica


interpretar el significado

La expresin para calcular la media aritmtica indica


que se deben sumar todos los valores que toma la
variable y dividir por el nmero de datos

800+950+920+1000+830+900
6

= $900 miles
e

Como esta forma de clculos es poco prctica se


suman, mejor, los datos en columna como se muestra a
continuacin

SOLUCIN:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

43

UNIDADES TECNOLGICAS DE SANTANDER

MES

Ingresos
(Miles de $ )

Enero
Febrero
Marzo

800
950
920

Abril
Mayo
Junio

1000
830
900

Interpretacin: La media aritmtica es el mismo


promedio y es como s en cada uno de los 6 meses el
comisionista hubiera ganado $900.000

Suma

= 5400

5400

= $900

5400

2.1.10.2 MEDIA ARITMTICA PARA DATOS AGRUPADOS


La media aritmtica se calcula sumando los productos de las marcas de clase por sus respectivas
frecuencias absolutas y dividiendo esta suma por el nmero total de datos registrados
el significado de los smbolos es el siguiente:

Para poblaciones

Para muestras

Es la letra del alfabeto griego mu, simboliza la media aritmtica calculada para una poblacin
Se lee equis trazo o equis barra, simboliza la media aritmtica calculada para una muestra
Es el tamao de la poblacin

Es el tamao de la muestra
Es la marca de clase de cada una de las clases en que se han agrupado los datos
Es la frecuencia absoluta de cada una de las clases en que se han agrupado los datos
EJEMPLO
Una muestra del valor de las facturas, en miles de pesos, que se cancelan con tarjetas de crdito en una
cadena de almacenes de modas se presenta en la siguiente tabla:
Como se debe calcular la marca de clase de cada clase y
multiplicar cada uno de esto valores por su respectiva
frecuencia absoluta, estas operaciones es ms prctico
realizarlas en forma tabular, como se muestra a
continuacin:

Ventas
No. de
(Miles de $) Facturas
30

36

25

36
42
48
54
60

42
48
54
60
66

38
49
51
32
29

224
Calcular la media aritmtica
interpretar el significado

Ventas
No. de
(Miles de $) Facturas

XiFAi

30
36
42
48
54

36
42
48
54
60

25
38
49
51
32

33
39
45
51
57

825
1.482
2.205
2.601
1.824

60

66

29

63

1.827

224

DEPARTAMENTO DE CIENCIAS BSICAS

Xi

VERSIN 12

10.764

FECHA: 2015

Pgina

44

UNIDADES TECNOLGICAS DE SANTANDER

SOLUCIN:
El total de la cuarta columna es = 10.764 y el total de datos, n, es 224, por lo que la media aritmtica
buscada es:

10.764
224

= $48.054 miles

Interpretacin: El valor de promedio de cada factura pagada con tarjeta de crdito es de $48.054 miles, que
es como si cada factura fuera de este valor
2.1.11 SIGNIFICADO DE LA MEDIA ARITMTICA
La media aritmtica o promedio calculada para un conjunto de datos significa que al remplazar el valor
promedio por cada uno de los datos se obtiene el mismo resultado general
2.1.12 MEDIA ARITMTICA PONDERADA
Existen situaciones en las cuales los datos registrados sobre una situacin traen in formacin adicional que
indica que estos valores no tienen la misma importancia relativa, como se presenta en el siguiente caso:
EJEMPLO
Las notas obtenidas por un estudiante en 3 quices de un corte y las notas finales, del semestre, extradas del
polgrafo correspondiente, se presentan en la siguiente tabla:
PRUEBA
Quiz No.1
Quiz No.2
Quiz No.3
Promedio

NOTA
3.5
4.1
2.4
3.3

ASIGNATURA
A
B
C

NOTA
FINAL
4.9
3.1
3.0

CRDITOS
2
4
3

En el caso de los quices no existe ninguna informacin que permita pensar que estas tres notas tienen
diferente nivel de importancia, por lo que su promedio se puede calcular utilizando la frmula de la media
para datos no agrupados, lo que no ocurre para el caso del polgrafo donde, por ejemplo, la nota de la
asignatura B vale el doble que la nota de la asignatura A; en casos como este, para calcular el promedio, se
utiliza una variante de la media aritmtica que recibe el nombre de Media Aritmtica Ponderada o Promedio
Ponderado, cuya expresin matemtica es la siguiente:

Media aritmtica ponderada

Es el smbolo que se usa, en estas notas, para la media ponderada


Representa los valores que toma la variable. En el ejemplo, las notas (4.9, 3.1 y 3.0)

Representa el valor relativo de cada uno de los datos, llamados Factores de Ponderacin. En el
ejemplo, los crditos de cada una de las asignaturas, es decir, los valores 2, 4 y 3
Aplicando la frmula al ejemplo se tiene:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

45

UNIDADES TECNOLGICAS DE SANTANDER

ASIGNATURA

A
B
C
Suma

NOTA
FINAL

CRDITOS

4,9
3,1
3.0

2
4
3
9

= 31,2

9,8
12,4
9.0
31,2

= 9

31,2
9

= 3,47

S para este caso del polgrafo el promedio se calculara como media aritmtica simple, ignorando la
informacin de los crditos, este clculo dara 3.7 que es diferente del promedio ponderado que da un valor
de 3.47
2.1.13 PROPIEDADES DE LA MEDIA ARITMTICA

El clculo de la media aritmtica tiene en cuenta todos los valores de la variable en estudio registrados
A todas las variables cuantitativas se les puede calcular la media aritmtica
Un conjunto de datos slo tiene una media
La media permite hacer comparaciones entre poblaciones o muestras
La media se puede trabajar matemticamente
La media es afectada por los valores extremos
No se puede calcular la media en distribuciones de frecuencias que tienen clase de extremo abierto

2.1.14 LA MEDIA GEOMTRICA


En muchas situaciones los datos se presentan en valores relativos tales como porcentajes o proporciones.
En tales casos el procedimiento de clculo de la media, que se ha estado utilizando hasta ahora, puede
apartarse de los resultados reales s la variabilidad de los datos es alta.
2.1.15 CLCULO DE LA MEDIA GEOMTRICA
Existe, entonces, una expresin matemtica especial para calcular promedios en los casos en que los datos
provengan de tasas de inters, porcentajes o nmeros ndices, entre otros. A este expresin matemtica se
le llama la media geomtrica y se suele representar por la letra G
G =

n ( FC1)( FC 2)( FC3)......... ...( FCn)

G Es el smbolo de la media geomtrica


FC1, FC2..FCn se llaman Factores de Crecimiento
El ndice de la raz depende del nmero de factores de crecimiento. S los factores de crecimiento son 2, la
raz es cuadrada, s los factores de crecimiento son 6 la raz es sexta y as sucesivamente.
Los factores de crecimiento, FCi, se determinan con la siguiente expresin:

= 1 +


100

Como el valor en porcentaje se llama comnmente Tasa, la expresin, ms apropiada, para el Factor de
Crecimiento es:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

46

UNIDADES TECNOLGICAS DE SANTANDER

= 1 +

100

EJEMPLO
La rentabilidad de un ttulo valor ha estado variando en las ltimas semanas como se presenta en la
siguiente tabla:
Para aplicar la frmula, las tasas de
rentabilidad se deben convertir a factores de
Rentacrecimiento
Semana
bilidad
Renta
1
3%
Semana
bilidad
FC
2
1%
1
3%
1,03
3
-2%
2
1%
1,01
4
0,7%
3
-2%
0,98
5
1,5%
4
0,7%
1,007
6
1%
5
1,5%
1,015
A qu tasa promedio semanal ha estado
variando la rentabilidad de este ttulo?
6
1%
1,01
Con los factores de crecimiento, de la tercera columna, se calcula G
G=

(1.03)(1.01)(0.98)(1.007)(1.015)(1.01)

G = 1.008557 (Factor de crecimiento promedio)


Como las unidades de este clculo son Factores de Crecimiento, para convertir este resultado en tasa, se
despeja sta de la ltima frmula

FC = 1 +
====>Tasa = ( FC 1 )x100
100
Por lo tanto:
Tasa promedio = (1.00856 1 ) x 100 = 0.856% 0.9%
Respuesta: El ttulo ha estado aumentado a una tasa promedio del 0.9% semanal
Cuando los datos se presentan en valores absolutos, pero, se debe calcular un porcentaje promedio, los
factores de crecimiento se determinan como se indica en el siguiente ejemplo:
EJEMPLO
Las ventas anuales de una empresa, en millones de pesos, se presentan en la tabla No.1. A qu tasa
promedio anual estn variando las ventas de esta empresa?
TABLA No.1
Obsrvese que se pide la tasa promedio de
crecimiento, que es un valor relativo y no la
Ventas
venta promedio anual, que es un valor
(Millone
absoluto.
AO
s)
Para convertir las ventas, que son valores
2001
68
absolutos, en factores de crecimiento, se
2002
75
divide el valor de un periodo cualquiera entre
el valor del periodo inmediatamente anterior.
2003
32
2004
59
Por ejemplo, el factor de crecimiento del ao
2005

73

2006
2007

92
108

DEPARTAMENTO DE CIENCIAS BSICAS

2004 se consigue dividiendo 59 entre 32


Los dems clculos se muestran en la tabla
No.2

VERSIN 12

FECHA: 2015

Pgina

47

UNIDADES TECNOLGICAS DE SANTANDER


TABLA No.2

Obsrvese que no se puede calcular el factor de crecimiento


del ao 2001 porque no se conocen las ventas del ao 2000.

AO

Ventas
(Millone
s)

FC

2001
2002

68
75

1,1029

2003
2004
2005
2006
2007

32
59
73
92
108

0,4267
1,8438
1,2373
1,2603
1,1739

Con los datos de la tercera columna, FC, se calcula G


G = 6(1.1029)(0.4267)(1.8438)(1.2373)(1.2603)(1.1739)
G = 1.08017 (Factor de Crecimiento promedio)
Tasa Promedio = (1.08017 1) x 100 = 8.017%
Respuesta: Las ventas estn creciendo a una tasa promedio
del 8% anual

Tambin se puede calcular la media geomtrica para el caso de valores que varan en funcin del tiempo y
slo se conocen los valores inciales y finales del periodo, como se puede ver en el siguiente ejemplo:
EJEMPLO
Una persona invirti $25 millones a 3 aos, recibiendo al final de este periodo la suma de $33,306 millones
A qu tasa promedio mensual creci esta inversin?
La expresin de la media geomtrica para casos como este es la siguiente:
G=

valor final
valor inicial

Donde n es el nmero de periodos de tiempo durante el intervalo de la inversin


Para el caso del ejemplo la expresin se aplica as:

G=

36

33.306

25

= 1.00800 (Factor de Crecimiento promedio)

Como la tasa que se pide es mensual el nmero de periodos es 36, por lo tanto, el ndice de la raz es 36
Para calcular la tasa promedio se aplica la expresin:
Tasa = ( FC 1 )x100
Tasa promedio = (1.008 1) x 100
Tasa promedio = 0.8%
Es decir, la inversin est creciendo, en promedio al 0.8% mensual.
2.1.16 PROPIEDADES DE LA MEDIA GEOMTRICA
La media geomtrica siempre es menor o igual a la media aritmtica, es decir: G
2.1.17 USOS DE LA MEDIA GEOMTRICA
La media geomtrica se utiliza para calcular promedios de cantidades expresadas en porcentajes o en

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

48

UNIDADES TECNOLGICAS DE SANTANDER


proporciones
2.1.18 LA MEDIANA
La mediana es el valor que ocupa la posicin central de un conjunto de datos cuando estos estn ordenados
de menor a mayor.
Para aclarar este concepto veamos el siguiente ejemplo:
EJEMPLO
La siguiente tabla presenta las notas obtenidas por una muestra de estudiantes en un examen
ESTUDIANTE
R. Martnez
P. Ardila
M. Castellanos
A. Manjarrs
O. Len

NOTA
4.3
1.7
3.8
4.8
3.5

ESTUDIANTE
L. Rueda
J. Zrate
G. Torres
Z. Bentez

NOTA
2.9
4.0
1.2
4.7

Ordenando estos datos de menor a mayor donde el menor est en el extremo izquierdo y el mayor en el
extremo derecho de la fila se tiene:
1.2

1.7

2.9

3.5

3.8

4.0

4.3

4.7

4.8

El nmero que ocupa la posicin central es 3.8 porque por debajo de l hay 4 datos y por encima otros 4, por
lo tanto, 3.8 es el valor mediano
2.1.19 INTERPRETACIN DE LA MEDIANA
El docente que tom la muestra podra describir el comportamiento de los estudiantes en la prueba diciendo
que la mitad de las notas de la muestra se encuentran por debajo de 3.8 o por encima de 3.8
Alternativamente, el docente podra haber utilizado el promedio o media aritmtica para describir el
comportamiento de los estudiantes en la muestra, como se vio anteriormente, pero, la mediana, entonces, es
otra manera de describir una situacin que es diferente de la media aritmtica
2.1.20 SMBOLO DE LA MEDIANA
El smbolo utilizado, en estas notas, para representar la mediana es:
una equis con una onda en la parte superior que se lee equis mediana
El clculo de la mediana para el caso de las notas se expresa as:

= 3.8
2.1.21 CLCULO DE LA MEDIANA PARA DATOS NO AGRUPADOS
2.1.21.1 Nmero impar de datos
Cuando en nmero de datos que componen la muestra es impar, como en el ejemplo de las notas, la
mediana se puede calcular por simple inspeccin como se hizo anteriormente. Pero, para situaciones que
representen un mayor nmero de datos existe una expresin matemtica que es la siguiente.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

49

UNIDADES TECNOLGICAS DE SANTANDER


= Xn+1
2

Esta expresin indica que el valor mediano ocupa la posicin (n + 1)/2 cuando los datos estn ordenados en
orden ascendente
Para aplicar esta expresin es preciso ordenar, entonces, los datos en orden ascendente e indicar la
posicin u orden de cada dato como se muestra a continuacin:
X1
1.2

X2
1.7

X3
2.9

X4
3.5

X5
3.8

X6
4.0

X7
4.3

X8
4.7

X9
4.8

Los Xi indican la posicin de cada dato, por ejemplo, X 7 indica que 4.3 ocupa la sptima posicin cuando
los datos estn ordenados de forma ascendente
Como el nmero de datos es 9, entonces (n+1)/2 es igual a 5, esto quiere decir que el valor mediano es el
valor que ocupa la quinta posicin cuando los datos estn ordenados de menor a mayor
= X5 = 3.8
tal como se haba establecido anteriormente por simple inspeccin
2.1.21.2 Nmero par de datos
Cuando el nmero de datos sin agrupar es par, la expresin para calcular la mediana es la siguiente.
=

X n / 2 X n / 21
2

Esto quiere decir que el valor mediano es el resultado de promediar los valores que ocupan las posiciones
X n / 2 y X n / 21
Para explicar esta expresin veamos el siguiente ejemplo:
EJEMPLO
Una muestra de las estaturas, en metros, de 10 estudiantes de una clase se presentan en la siguiente tabla:

ESTUDIANTE
ESTATURA
ESTUDIANTE
ESTATURA
M. Rodrguez
1.75
G. Lpez
1.69
L. Snchez
1.68
H. Nez
1.57
D. Rojas
1.81
T. Garca
1.77
J. Acevedo
1.65
R. Orduz
1.62
F. Daz
1.73
P. Pinzn
1.71
Al ordenar estos datos de forma ascendente e indicar la posicin de cada uno de ellos se llega a la siguiente
tabla:
X1
1.57

X2
1.62

X3
1.65

X4
1.68

X5
1.69

X6
1.71

X7
1.73

X8
1.75

X9
1.77

X10
1.81

Como se puede observar, en esta ocasin, no existe un valor nico que se localice en el centro del conjunto
de datos ordenado, los valores X5 y X6 ocupan el centro de este conjunto y la mediana se localiza en el
punto medio entre estos dos datos , por lo que para establecer su valor se promedian 1.69 y 1.71 as:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

50

UNIDADES TECNOLGICAS DE SANTANDER

X5 X6
2

1.69 1.71
= 1.70
2

Este valor se interpreta como que la mitad de los estudiantes de esta muestra miden menos de 1.70 metros
se deja al lector de estas notas, que como ejercicio, verifique que la expresin de la mediana para nmero
par de datos produce el mismo resultado anterior
2.1.22 CLCULO MEDIANA PARA DATOS AGRUPADOS
Recordemos que cuando se habla de datos agrupados nos referimos a datos agrupados en clases
Se presentan dos casos para el clculo de la mediana
2.1.22.1 Primer Caso
La frecuencia absoluta acumulada, FAA, hasta alguna de las clases, de la distribucin de frecuencias,
coincide con la cantidad total de datos dividida entre 2, es decir, ( n / 2), como se puede ver en el siguiente
ejemplo:
EJEMPLO
Los ingresos en una semana, en millones de pesos, de una muestra de tabernas se presenta en la siguiente
tabla:
clase
No.
1
2
3
4
5
6
7

Ingresos
(Millones de $)
1,6
1,9
1,9
2,2
2,2
2,5
2,5
2,8
2,8
3,1
3,1
3,4
3,4
3,7
Suma

No. De
tabernas
6
11
18
25
29
20
11
120

FAA
6
17
35
60
89
109
120

Como se puede observar el nmero de datos de la muestra n es 120, por lo tanto, n/2 es 60 y este valor
coincide con la frecuencia absoluta acumulada, FAA, hasta la cuarta clase. En este caso la mediana es igual
al lmite superior de la cuarta clase, es decir:
= Lmite superior de la clase = $2.8 millones
Este valor se puede interpretar diciendo que la venta mnima de la mitad de las tabernas de la muestra fue
de $2.8 millones
2.1.22.2 Segundo caso
El clculo del total de datos de la muestra dividido entre 2, n/2, no coincide con el valor de la frecuencia
absoluta acumulada, FAA, de ninguna de las clases
Para calcular la mediana en este caso se utiliza la siguiente frmula de interpolacin:

n / 2 FAAi 1

FAi

= + A

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

51

UNIDADES TECNOLGICAS DE SANTANDER


es el lmite inferior de la clase que contiene la mediana
A es la amplitud de las clases
es la cantidad total de datos de la muestra dividida entre 2
es la frecuencia absoluta acumulada hasta la clase anterior a la clase que contiene la mediana
es la frecuencia absoluta de la clase que contiene la mediana
Para saber cul es la clase que contiene la mediana se compara n/2, el tamao de la muestra dividido entre
2, con las frecuencias absolutas acumuladas, FAA, de la distribucin de frecuencias. La mediana se
encuentra en la clase cuya frecuencia absoluta acumulada, FAA, sea inmediatamente superior a n/2. A esta
clase, en trminos de la expresin anterior, se le llama la clase i, y la clase anterior a esta se le llama la clase
i-1
Para aclarar estos conceptos revisemos el siguiente ejemplo:
EJEMPLO
Los saldos de los depsitos al finalizar un mes en las cuentas de ahorro de un nmero de cuentahabientes,
de los bancos locales, escogidos al azar, se presentan en la siguiente tabla:
SALDO
Clase
MENSUAL
No. De
No.
(Miles de $)
depsitos
FAA
1
0
300
25
25
2
300
600
36
61
3
600
900
51
112
clase i - 1
4
900
1.200
42
154
clase i
5
1.200 1.500
37
191
6
1.500 1.800
30
221
7
1.800 2.100
22
243
8
2.100 2.400
19
262
9
Mas de 2.400
17
279
El nmero total de datos de la muestra es 279 depsitos, por lo tanto, n/2 es $139.5 miles. El valor, de la
frecuencia absoluta acumulada, FAA; inmediatamente superior a ste es $154 miles, es decir, que la clase
en la que se encuentra la mediana es la cuarta clase que va de $900 a $1.200 miles. Esta es entonces la
clase i. La clase anterior a sta es la tercera clase y su frecuencia absoluta acumulada hasta aqu es $112
miles.
Reemplazando estos datos en la expresin de la mediana se obtiene lo siguiente:

139.5 112
= $1.096 miles
42

= 900 + 300

esto quiere decir que la mitad de los clientes de la muestra tenan un saldo, al final del mes observado,
inferior a $1.096.000
2.1.23 MEDIDAS DE TENDENCIA NO CENTRAL O DE POSICIN
2.1.23.1 LOS CUARTILES
Los cuartiles son tres valores que se determinan o calculan a partir de un conjunto de datos, con la
particularidad de que dividen el conjunto de datos en cuatro partes iguales cuando este conjunto est
ordenado en forma ascendente. Estos valores son:
Primer cuartil o Q1: Es el valor por debajo del cual se encuentran la cuarta parte de los datos o 25% de los
datos cuando estn ordenados de menor a mayor
Segundo cuartil o Q2: Es el valor por debajo del cual se encuentran la mitad de los datos o 50% de los

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

52

UNIDADES TECNOLGICAS DE SANTANDER


datos cuando estn ordenados de menor a mayor, es decir, es la misma mediana
Tercer cuartil o Q3: Es el valor por debajo del cual se encuentran las tres cuartas partes de los datos o 75%
de los datos cuando estn ordenados de menor a mayor
Precisemos estas ideas con el siguiente ejemplo:
EJEMPLO
El nmero de clientes que atendieron en un da once vendedores de un centro comercial escogidos al azar
se presenta en la siguiente tabla
15

20

Nmero de clientes atendidos por vendedor


10
23
8
3
13

18

28

32

Este conjunto de datos ordenando de menor a mayor se muestra en la siguiente tabla:


3

Nmero de clientes atendidos por vendedor


10
13
15
18
20

23

28

32

Q1
Q2
Q3
Como se puede observar los nmeros 8, 15 y 23 dividen el conjunto en cuatro partes iguales. Estos valores
reciben, respectivamente, los nombres de Primer Cuartil, Segundo Cuartil y Tercer Cuartil
2.1.23.1.1 CUARTILES PARA DATOS NO AGRUPADOS
Revise el material CUARTILES Y PERCENTILES PARA DATOS NO AGRUPADOS, de estos mismos
apuntes
2.1.23.1.2 CUARTILES PARA DATOS AGRUPADOS
Primer caso:
La frecuencia absoluta acumulada hasta alguna de las clases coincide con el valor de la operacin
Qi x n
100

Donde:

Qi es el valor del cuartil que se pretende calcular, es decir: 25, 50 o 75


n es el tamao de la muestra
En este caso el cuartil buscado es igual al lmite superior de la clase
EJEMPLO:
Las utilidades por accin del portafolio de inversiones de una empresa se presenta en la siguiente tabla:
UTILIDAD POR
ACCIN

Clculo del primer cuartil:

No. DE
ACCIONES

FAA

100

1300
1400
1500
1600
1700

1400
1500
1600
1700
1800

100
175
230
190
150

100
275
505
695
845

1800

1900

130

975

1900

2000

125

1100

1100
DEPARTAMENTO DE CIENCIAS BSICAS

25 x 1100
100

= 275

Como 275 es la FAA hasta la segunda clase,


entonces, el primer cuartil es igual al lmite
superior de esa clase, es decir:
Q1 = 1.500
Una interpretacin: El 25% de las acciones, de
este portafolio, dan una utilidad inferior a
$1.500
VERSIN 12

FECHA: 2015

Pgina

53

UNIDADES TECNOLGICAS DE SANTANDER


Segundo caso:
La frecuencia absoluta acumulada, FAA, hasta cualquiera de las clases no coincide con el valor de la
operacin Qixn/100
En este caso, el clculo del cuartil se hace de manera parecida al segundo caso del clculo de la mediana.
La expresin que se utiliza es la siguiente:

Qxn / 100 FAAi 1

FAi

= + A

Es el cuartil que se quiere calcular.


Es el lmite inferior de la clase que contiene el cuartil
A es la amplitud de las clases
Es el producto del valor del cuartil que se quiere calcular por el tamao n de la muestra dividido
entre 100. Q toma el valor de 25, 50, 75, segn que el cuartil que se pretenda calcular sea Q1, Q2 o Q3,
respectivamente Esta operacin se utiliza para localizar la clase donde se encuentra el cuartil.
Es la frecuencia absoluta acumulada hasta la clase anterior a la clase que contiene el cuartil
Es la frecuencia absoluta de la clase que contiene el cuartil
EJEMPLO
Utilizando el mismo ejemplo del primer caso
Clculo del tercer cuartil:

UTILIDAD POR

No. DE

ACCIN

ACCIONES

FAA

1300
1400
1500
1600
1700
1800

1400
1500
1600
1700
1800
1900

100
175
230
190
150
130

100
275
505
695
845
975

1900

2000

125

1100

100

75 1100
100

= 825

El tercer cuartil se encuentra en la clase cuya


FAA es inmediatamente superior a 825. A esta
Clase i-1 clase se le llama clase i .Reemplazando en la
frmula se tiene:
Clase i
Q3 = 1700 +100 [

1100

825 695
150

Q3 = $1787
Interpretacin: El 75% de las acciones tienen una utilidad inferior a $1787
2.1.23.2 LOS PERCENTILES
Los percentiles son valores que dividen un conjunto de datos en 100 partes iguales, cuando este conjunto
est ordenado de menor a mayor
Un percentil, por lo tanto, es un valor por debajo del cual se encuentra un determinado porcentaje de los
datos. Por ejemplo:
P30 = 200 que se lee: Percentil 30 igual a 200, quiere decir que por debajo del valor 200, del conjunto
ordenado de datos, se encuentran el 30% de los datos.
2.1.23.2.1 PERCENTILES PARA DATOS NO AGRUPADOS
Revise el material CUARTILES Y PERCENTILES PARA DATOS NO AGRUPADOS, en estos mismos
apuntes

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

54

UNIDADES TECNOLGICAS DE SANTANDER


2.1.23.2.2 PERCENTILES PARA DATOS AGRUPADOS
Primer caso:
Pxn
La frecuencia absoluta acumulada hasta alguna de las clases coincide con el valor de la operacin: 100
Donde:
P es el percentil que se quiere calcular
n es el tamao de la muestra.
S el percentil que se quiere calcular es igual al lmite superior de la clase cuya frecuencia absoluta

acumulada, FAA, coincide con el valor de la operacin 100 , entonces, el valor del percentil buscado es
igual al lmite superior de la clase
EJEMPLO
La siguiente tabla se refiere a una muestra, al azar, del tiempo que duraron las llamadas telefnicas
realizadas por el personal de oficina de una empresa
Duracin llamadas
en minutos

No. de
Llamadas

Clculo el percentil 20: P20


FAA

0,0
2,0
4,0
6,0
8,0

2,0
4,0
6,0
8,0
10,0

46
67
44
31
25

46
113
157
188
213

Mas de

10,0

17
230

230

100

20 230
100

= 46

Como 46 es la FAA hasta la primera clase,


entonces, el percentil 20 es igual al lmite
superior de esa clase, es decir:
P20 = 2.0
Interpretacin: el 20% de las llamadas, de la
muestra, duraron menos de 2.0 minutos

Segundo caso:
La frecuencia absoluta acumulada, FAA, hasta cualquiera de las clases no coincide con el valor de la

operacin 100
En este caso, el clculo del percentil se hace de manera parecida al segundo caso del clculo de la
mediana. La expresin que se utiliza es la siguiente:

Pxn / 100 FAAi 1

FAi

Pi = + A

es el lmite inferior de la clase que contiene la mediana


A es la amplitud de las clases
es la operacin que se hace para saber en qu clase se encuentra el percentil
es la frecuencia absoluta acumulada hasta la clase anterior a la clase que contiene el percentil
es la frecuencia absoluta de la clase que contiene el percentil
Para saber cul es la clase que contiene el percentil se compara la operacin 100 con las frecuencias
absolutas acumuladas, FAA, de la distribucin de frecuencias. El percentil se encuentra en la clase cuya
frecuencia absoluta acumulada, FAA, sea inmediatamente superior al valor de esta operacin. A esta clase,
en trminos de la expresin anterior, se le llama la clase i, y la clase anterior a esta se le llama la clase i-1
Para aclarar estos procedimientos utilizamos el ejemplo de las llamadas telefnicas

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

55

UNIDADES TECNOLGICAS DE SANTANDER


EJEMPLO
Duracin llamadas
en minutos

No. de
Llamadas

FAA

0,0
2,0

2,0
4,0

46
67

46
113

4,0
6,0
8,0
Mas de

6,0
8,0
10,0
10,0

44
31
25
17

157
188
213
230

Clculo del Percentil 70, P70:

100
Clase i -

Clase i

230
Interpretacin: El 70% de las llamadas, de la
muestra, fue inferior a 6.26 minutos

70 230

= 161

100

El percentil buscado se encuentra en la


clase cuya FAA es inmediatamente
superior a 161. A esta clase se le llama
clase i. Reemplazando en la frmula se
tiene:
P70 = 6.0 +2.0 [

161 157
31

P70 = 6.26 minutos


EJEMPLO
Para el mismo ejemplo de la duracin de las llamadas Cul fue la duracin mnima del 40% de las
llamadas?
El valor que se pide es menor que el 40% de las llamadas, por lo tanto, este valor es superior al 60% de las
llamadas de la muestra, lo que quiere decir que se requiere calcular el percentil 60
2.1.24 PROPIEDADES DE LA MEDIANA, CUARTILES Y PERCENTILES

A la mediana, cuartiles y percentiles no los afectan los valores extremos


La mediana, cuartiles y percentiles se pueden calcular en distribuciones de frecuencias que tengan
clases de extremo abierto
Los clculos de la mediana, cuartiles y percentiles son ms complejos que los de las dems medidas de
tendencia central
La mediana, cuartiles y percentiles no se pueden operar matemticamente
Para calcular la mediana, cuartiles y percentiles los datos deben estar ordenados

2.1.25 LA MODA
La moda, de un conjunto de datos, es el valor que ms se repite dentro de ese conjunto.
2.1.26 SMBOLO DE LA MODA
El smbolo que se va a utilizar, en esta notas, para representar la moda es:

que se lee equis moda

2.1.27 MODA PARA DATOS NO AGRUPADOS


Cuando los datos no estn agrupados la moda se establece a simple vista.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

56

UNIDADES TECNOLGICAS DE SANTANDER


EJEMPLO
Una muestra de las edades de la ltima promocin de graduados se presenta en la siguiente tabla:
25
27
20

21
21
22

19
23
21

23
22
19

22
18
21

26
22
24

28
20
30

22
19
28

25
31
22

24
22
26

A simple vista, el valor que ms se repite es 22


aos por lo que ste es el valor modal, es
decir:
= 22 aos
Interpretacin: la edad ms comn en la
muestra de egresados es 22 aos
Observacin: En este caso hay un solo valor
modal

EJEMPLO
Los puntajes alcanzados, en una escala de 100 puntos, en las pruebas de ingreso, por los aspirantes a
trabajar en una empresa se presentan en la siguiente tabla:

71
36
57
68

68
51
85
39

70
57
50
45

55
68
49
57

57
40
68
25

A simple vista se puede establecer que los


puntajes que ms se repiten son el 57 y el 68,
con una frecuencia de 4 puntajes, por lo que el
conjunto de datos tiene 2 modas, es decir:
1 = 57 puntos
2 = 68 puntos
Cuando un conjunto de datos tiene ms de
una moda, como en este caso, se llama
conjunto de dato Polimodal

Interpretacin: Cuando un conjunto de datos tiene ms de una moda, esta medida de tendencia central no
es til para describir el comportamiento de los datos
EJEMPLO
El tiempo, en horas, que gastan los buses de una empresa de transportes en realizar el viaje entre dos
ciudades determinadas, en una muestra de recorridos escogidos al azar, se presenta en la siguiente tabla:
6,8
5,7
7,0

5,5
6,3
7,4

6,1
5,6
6,6

6,4
5,1
6,0

6,2
6,9
5,4

6,5

6,7

5,8

5,9

7,5

A simple vista se puede establecer que


ninguno de los datos se repite por lo que este
conjunto de datos no tiene moda. Por lo tanto,
no se puede utilizar la moda para describir el
comportamiento de los datos de esta muestra

2.1.28 MODA PARA DATOS AGRUPADOS


2.1.28.1 Datos de variable discreta agrupados en clases de amplitud igual a cero
En este caso la moda corresponde al valor de la variable que tiene la frecuencia ms alta

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

57

UNIDADES TECNOLGICAS DE SANTANDER


EJEMPLO
Una muestra del nmero de motocicletas que vende por semana un distribuidor se presenta en la siguiente
tabla:
No. de
Motos

No. de
Semanas

0
1
2
3
4
5
6

1
3
5
12
19
16
10

ms de 6

La ms alta frecuencia corresponde a 19


semanas y el valor de la variable para esta
frecuencia es de 4 motos por semana, por lo
que la moda es 4, es decir:
= 4 motocicletas por semana
Interpretacin: El volumen de venta ms
frecuente es de 4 motos por semana

2.1.28.2 Datos de variable cualitativa


Aqu, tambin, la moda corresponde al valor de la variable que tiene la ms alta frecuencia
EJEMPLO
Se pregunt a una muestra de profesionales, escogidos al azar, por la marca de celular que utilizan y el
resultado se presenta en la siguiente tabla:
Marca de
Celular

No. de
Profesionales

La ms alta frecuencia corresponde a la marca


Nokia, por lo tanto, esta es la moda, es decir:

Sony
Motorola
L. G.
Nokia
Samsung

18
32
15
47
30

= Nokia

iPhone
Otras marcas

10
5

Como se puede observar se puede calcular la


moda para datos de variable cualitativa

Interpretacin: La marca de celular que con


ms frecuencia utilizan los profesionales, de la
muestra, es Nokia

2.1.28.3 Datos de variable discreta o continua agrupados en clases de amplitud mayor que cero
Se aplica la frmula como se muestra en el siguiente ejemplo
EJEMPLO
Utilizando un radar de carretera los agentes de trnsito tomaron una muestra de la velocidad, en kilmetros
por hora, a la que se desplazan los vehculos al pasar por un puente. Los resultados estn en la siguiente
tabla:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

58

UNIDADES TECNOLGICAS DE SANTANDER


Clase
No.

Velocidad
(Kmts / hora)

No. de
Vehculos

1
2
3

Hasta
40
50

40
50
60

7
36
44

4
5
6
7

60
70
80
Ms de

70
80
90
90

61
55
19
14

En este caso, la moda se encuentra en la clase que tiene la ms alta frecuencia. Esta clase es la No.4 que
corresponde al intervalo de 60 a 70 kilmetros por hora. Para saber en qu punto de este clase se encuentra
la moda se aplica la siguiente expresin:

= LI + A

1 + 2

LI es el lmite inferior de la clase que contiene la moda


A es la amplitud de las clases
es la diferencia entre la frecuencia absoluta de la clase que contiene la moda y la frecuencia absoluta de
la clase anterior a la clase que contiene la moda
es la diferencia entre la frecuencia absoluta de la clase que contiene la moda y la frecuencia absoluta de
la clase posterior a la clase que contiene la moda
Aplicando la frmula al ejemplo se tiene:
1 = 61 44 = 17
2 = 61 55 = 6
Interpretacin: Lo ms comn es que los vehculos de la muestra se desplacen por el puente a 67.39 Kmts /
hora

17

[17+6] = 67.39 Kmts / hora

= 60 + 10

2.1.29 PROPIEDADES DE LA MODA

La moda se puede calcular en situaciones de variables cualitativitas y cuantitativas


A la moda no la afectan los valores extremos
La moda se puede calcular en distribuciones de frecuencias que tengan clases de extremo abierto
Existen conjuntos de datos que no tienen moda o que tienen ms de una moda
La moda no se puede operar matemticamente

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

59

UNIDADES TECNOLGICAS DE SANTANDER


2.2

CASOS ESPECIALES DE LA MEDIANA

DISTRIBUCIONES DE FRECUENCIAS DE VARIABLE DISCRETA CON AMPLITUD IGUAL A CERO


Para calcular la mediana, cuando se tienen distribuciones de frecuencia con amplitud igual a cero y datos
correspondientes a variable discreta se tiene dos casos
2.2.1

PRIMER CASO

La frecuencia acumulada hasta cualquiera de las clases es diferente de n/2


Este caso se presenta cuando ninguno de los valores de la columna de frecuencias relativas acumuladas o
FAA coincide con el tamao de la muestra dividida entre 2, es decir, n/2
EJEMPLO
La siguiente tabla se refiere a una muestra del nmero de computadores que vendieron en un mes 112
tiendas de tecnologa del pas escogidos al azar
No. De unidades No. De
vendidas
tiendas
0
1
1
12
2
18
3
23
4
21
5
19
6
18
112
La distribucin de frecuencias acumuladas de este ejemplo se presenta en la siguiente tabla, donde se
encuentra que n/2 es igual a 112/2 = 56

No. De unidades No. De


vendidas
tiendas
0
1
1
12
2
18
3
23
4
21
5
19
6
18
112

FAA
1
13
31
54
75
94
112

Como se observa ningn valor de FAA coincide con n/2


en este caso la mediana se encuentra en la clase cuya FAA sea ms prxima por arriba a n/2. Este valor es
75, entonces, la mediana se encuentra en la clase 4 (LI=4 y LS=4),. Por lo tanto la mediana es 4, es decir:

= 4

2.2.2

SEGUNDO CASO

Algn valor de la frecuencia absoluta acumulada coincide con n/2


Este caso se da cuando en la distribucin de frecuencias de la frecuencia absoluta acumulada, FAA, algn

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

60

UNIDADES TECNOLGICAS DE SANTANDER


valor de esta columna, es igual al tamao de la muestra dividido por 2, es decir, n/2
EJEMPLO
Se tom una muestra del nmero de estufas elctricas que vendieron en el ao una muestra de
distribuidores escogidos al azar
No. De unidades No. De
vendidas
distribuid.
10
12
11
18
12
17
13
22
14
15
15
10
94
n/2 es igual a 94/2 = 47
No. De unidades No. De
vendidas
distrbiud.
FAA
10
12
12
11
18
30
12
17
47
13
22
69
14
15
84
15
10
94
94
Como se puede ver un valor de la columna FAA coincide con n/2. En este caso la mediana se encuentra
entre las clases 12 y 13 y para calcularla se promedian estos dos valores.
= (12 +13)/2 = 12.5
Este resultado se puede interpretar de dos maneras as:
La mitad de los distribuidores de la muestra vendieron 12 o menos unidades

La mitad de los distribuidores de la muestra vendieron 13 o ms unidades

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

61

UNIDADES TECNOLGICAS DE SANTANDER


2.3

EJEMPLOS RESUELTOS

Primer caso:
Los ingresos por comisiones, en un determinado mes, de una muestra de vendedores de electrodomsticos
de la ciudad, se presentan en la siguiente distribucin de frecuencias
Ingresos / vendedor
(Millones de pesos)
0,84
1,10
1,10
1,36
1,36
1,62
1,62
1,88
1,88
2,14
2,14
2,40
2,40
2,66

No. de
vendedores
17
22
20
13
10
8
7
97

Con la informacin disponible A cunto pueden ascender los ingresos totales, por comisiones, de 20 de los
vendedores de esta muestra?
SOLUCIN
Se necesita un valor que sea equivalente a los ingresos de los 97 vendedores de la muestra. Ese valor es el
valor promedio o media aritmtica simple
Ingresos / vendedor
(Millones de pesos)
0,84
1,10
1,10
1,36
1,36
1,62
1,62
1,88
1,88
2,14
2,14
2,40
2,40
2,66

No. de
vendedores
17
22
20
13
10
8
7
97

0,97
1,23
1,49
1,75
2,01
2,27
2,53

16,490
27,060
29,800
22,750
20,100
18,160
17,710
152,07

152,07
= $1,567
97

Ingresos de los 20 vendedores = 20x1,567 = $31,355 millones


Segundo caso
En la siguiente tabla se presentan los salarios por hora del personal de una fbrica:
Seccin
Corte
Armado
Terminado

No. de
operarios
12
29
46
87

Salario por
hora
$3.150
$2.734
$2.510

El sindicato de la empresa propone que todas las operaciones sean remuneradas con un mismo salario por
hora y propone que este valor sea $2.700 por hora. Le conviene a la empresa esta propuesta? Por qu?
SOLUCIN
Se necesita describir esta situacin con un solo valor que sea equivalente a los salarios por hora de las tres
secciones. Este valor es el salario promedio.
Pero, como el nmero de operarios de cada seccin es diferente, los valores de la variable, salario por hora,

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

62

UNIDADES TECNOLGICAS DE SANTANDER


tienen diferente importancia relativa por lo que este promedio es un caso de media ponderada.

Seccin
Corte
Armado
Terminado

No. de
operarios

Salario por
hora

12
29
46
87

$3.150
$2.734
$2.510


$37.800
$79.286
$115.460
$232.546

232.246
=
= $2.673

87

RTA: El salario promedio de todos los empleados de esta empresa es de $2.673 por hora, por lo que no le
conviene la propuesta del sindicato de $2.700 por hora porque el salario por hora aumentara
Tercer caso
Una mquina que se compr hace 15 aos en $123 millones, hoy est costando $549 millones. S no se
espera ningn cambio las condiciones que establecen el precio En cunto se puede estimar que cueste
esta mquina el prximo ao?
SOLUCIN
Se necesita establecer a qu tasa promedio anual ha estado creciendo el precio de esta mquina

15 549

=
= 1,10487

123

= (1,10487 1)100 10,5%


= 549(1,105) = 606,645 $607
Cuarto caso
Una muestra del tiempo que se demora un restaurante en
despachar los domicilios que recibe se presenta en la
distribucin de frecuencias de la derecha:
S el tiempo que se demor en despachar la mitad de los
domicilios de la muestra fue superior a 15 minutos se
debe reorganizar el proceso de despachos del
restaurante. Cul es su recomendacin? Por qu?

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

Tiempo/domicilio
No. de
(Minutos)
domicilios
1
4
3
4
7
6
7
10
11
10
13
13
13
16
22
16
19
18
19
22
15
Mas de
22
9
97

FECHA: 2015

Pgina

63

UNIDADES TECNOLGICAS DE SANTANDER


SOLUCIN
Se debe revisar s la mediana es superior a 15 minutos

Tiempo/domicilio
No. de
(Minutos)
domicilios
1
4
3
4
7
6
7
10
11
10
13
13
13
16
22
16
19
18
19
22
15
Mas de
22
9
97

FAA
3
9
20
33
55
73
88
97

= 97 = 48,5
2
2
= 13 + 3 [

48,5 33
] = 15,114
22

RTA: La mediana es superior a 15 minutos, por lo que se debe redisear el proceso de despachos.
Quinto caso
Los valores de una muestra de 75 facturas escogidas al azar, de las que emite el restaurante SABROSURA,
se presentan en la siguiente distribucin de frecuencias:
Valor / factura
(Miles de pesos)
16
38
38
60
60
82
82
104
104
126
126
148
148
170

No. de
facturas
17
20
14
10
7
5
2
75

S el 80% de las facturas de esta muestra fue inferior a $95 mil, la administracin del restaurante debe
cambiar la carta que ofrecen. Cul es su recomendacin? Por qu?
b) Cul fue el valor ms comn de las facturas de la muestra?
SOLUCIN
a) Se est pidiendo que se calcule el percentil 80
a)

Valor / factura
(Miles de pesos)

16
38
60
82
104
126
148

DEPARTAMENTO DE CIENCIAS BSICAS

38
60
82
104
126
148
170

No. de
facturas

17
20
14
10
7
5
2
75

VERSIN 12

FAA
17
37
51
61
68
73
75

FECHA: 2015

Pgina

64

UNIDADES TECNOLGICAS DE SANTANDER

= 60
100
80 = 82 + 22 [

60 51
] = $101,8
10

RTA: El 80% de las facturas de esta muestra fueron de valores inferiores a $101.800 por lo que no se
recomienda cambiar la carta que ofrecen.
b)

Se est pidiendo la moda

= 38 + 22 [

3
] = $45.333
3+6

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

65

UNIDADES TECNOLGICAS DE SANTANDER


2.4

2.4.1

MEDIDAS DE DISPERSIN

POR QU SE REQUIERE MEDIR LA DISPERSIN

Antes de aprender a calcular la dispersin de una muestra o de una poblacin, es preciso aclarar por qu se
requiere, tambin, de esta otra medida para describir completamente el comportamiento de un fenmeno o
hecho.
Presentaremos estas ideas a travs de dos ejemplos que se presentan a continuacin:
Primer ejemplo.
Las notas obtenidas, en una prueba, por muestras tomadas a dos grupos de estudiantes, se presentan a
continuacin:

Notas del
grupo A
3,1
2,9
3,3
3,4
3,3
3,2
= 3,2

Notas del
grupo B
2,5
4,7
0,7
3,8
1,0
5,0
4,7
= 3,2

Como se ve la nota promedio de las muestras de los dos grupos es 3,2. S utilizamos nicamente el
promedio para comparar el desempeo de los estudiantes, de estas muestras, nos llevara a la conclusin
de que las dos muestras tuvieron idntico desempeo en la prueba. Para verificar esta conclusin vamos a
representar estos datos en la siguiente grfica:

Como se puede observar, aunque las muestras tienen igual promedio, la distribucin de los datos es muy
diferente en las dos muestras.
Se haba dicho anteriormente que el objetivo de las medias de tendencia central es describir (parcialmente),
el comportamiento de un conjunto de datos que pertenezcan a una muestra o a una poblacin. Sin embargo,
esta capacidad descriptiva de las medidas de tendencia central es parcial porque es necesario
complementarla con otra caracterstica de las muestras y poblaciones que es la dispersin.
Para introducir el concepto de dispersin se presenta el siguiente caso:
Segundo Ejemplo
Las ventas mensuales, en millones de pesos, de dos empresas se presentan en las siguientes tablas:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

66

UNIDADES TECNOLGICAS DE SANTANDER

La venta promedio de estas dos empresas, durante los meses considerados, es igual a $19,395 millones,
por lo que, atenindonos nicamente a la descripcin del valor promedio, indicara que las dos empresas
tienen un desempeo de ventas idntico. Pero, si observamos los polgonos de frecuencias, de estas dos
muestras, como se muestra en la siguiente grfica, encontramos que esto no es as

La diferencia se encuentra, entonces, en que las dos muestras tienen diferente dispersin de sus datos
alrededor de la media
2.4.2

CONCEPTO DE DISPERSIN

El concepto de dispersin lo vamos a abordar considerando, primero, lo que se puede entender por
variabilidad

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

67

UNIDADES TECNOLGICAS DE SANTANDER


2.4.3

LA VARIABILIDAD

La variabilidad hace referencia, usualmente, a qu tan diferentes son entre s los datos de una muestra o
una poblacin, comparndolos con los datos de otras muestras o poblaciones, como se puede ver en los
siguientes ejemplos:

NOTAS DE UNA MUESTRA DE 10 ESTUDIANTES


2
3
4
5
6
7
8
9
3,8 3,8 3,8 3,8 3,8 3,8 3,8 3,8

1
3,8

10
3,8

En este caso todas las notas son iguales, por lo tanto, no hay ninguna variabilidad.

NOTAS DE UNA MUESTRA DE 10 ESTUDIANTES


2
3
4
5
6
7
8
9
3,8 3,8 3,8 3,8 3,8 4,7 3,8 3,8

1
3,8

10
3,8

Ahora hay una nota diferente a las dems, por lo tanto, existe una pequea variabilidad entre los datos de la
segunda muestra con respecto a los datos de la primera.

1
3,0

2
3,5

NOTAS DE UNA MUESTRA DE 10 ESTUDIANTES


3
4
5
6
7
8
9
3,8
2,5
3,8
3,7
4,7
3,8
3,9

10
1,9

En esta tercera muestra, hay un aumento notorio en la variabilidad entre los datos, por lo que comparando
las tres muestras de notas, la ms variable es esta ltima.
Podemos concluir diciendo que, comparando estas tres muestras, la menos variable es la primera y la ms
variable es la tercera.
Es preciso resaltar, que la variabilidad y la dispersin son conceptos relativos, siempre se evalan
comparando los datos de ms de una poblacin o muestra
2.4.4

LA DISPERSIN

La dispersin se refiere a qu tan parecidos o diferentes son los datos de una muestra o poblacin con
respecto a un valor que se toma como referencia.

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

68

UNIDADES TECNOLGICAS DE SANTANDER


Usualmente, se toman como referencia las medidas de tendencia central.
En la grfica anterior, se puede observar, que las notas del grupo A son ms parecidas o estn ms cerca de
su promedio, que las notas del grupo B. Por lo tanto, el promedio del grupo A representa mejor a los datos
de esta muestra, que el promedio del grupo B a los datos de su muestra.
En trminos estadsticos se dice que los datos del grupo A tienen menos dispersin alrededor de su media
aritmtica, comparadas con los datos del grupo B.
2.4.5

IMPORTANCIA DE LA DISPERSIN

Para que una medida de tendencia central sea representativa de los datos que la originaron se requiere que
su valor sea similar a los datos de esa muestra o poblacin que pretende describir, como se puede ver en el
siguiente ejemplo:
MUESTRA DE BAJA DISPERSIN

MUESTRA DE ALTA DISPERSIN

NOTAS DE UNA MUESTRA DE 10 ESTUDIANTES

NOTAS DE UNA MUESTRA DE 10 ESTUDIANTES

10

3,2

3,5

3,8

3,5

3,8

3,7

3,6

3,8

3,9

3,5

10

0,1 3,5 0,7 5,0 1,0 4,7 4,9 3,8 3,9 0,9

= 3,6

= 2,9

Como se puede observar, en la muestra de baja dispersin, el valor del promedio es similar o est cerca de
los valores de la muestra, en cambio, en la muestra de alta dispersin, ninguno de los valores de la muestra
es parecido al valor de la media. Por lo tanto, el promedio de la primera muestra es verdaderamente
representativo de los datos de esta muestra y el de la segunda muestra no lo es.
El concepto de dispersin, entonces, es importante porque entre mayor sea la dispersin de un conjunto de
datos, menor es la fuerza representativa que tiene la medida de tendencia central calculada con esos datos
2.4.6

LAS MEDIDAS DE DISPERSIN

Son valores que se obtienen como resultado de clculos o procesos con los datos y que indican que tan
parecidos son los datos, de una muestra o poblacin, a la medida de tendencia central con la que se
describe el comportamiento de estos datos.
2.4.7

CLASES DE MEDIDAS DE DISPERSIN

Las medidas de dispersin que se van a estudiar en estos apuntes son las siguientes:
El Rango
El Rango Intercuartlico
La Desviacin Media
La Varianza
La desviacin Estndar
2.4.8

EL RANGO

Es la diferencia o distancia entre el mayor valor, de un conjunto de datos y el valor menor. Este concepto ya
se haba mencionado para agrupar los datos en clases estadsticas, por lo tanto se utilizar para enunciarlo
el mismo smbolo, es decir la letra R, es decir,

R = Xmax - Xmin

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

69

UNIDADES TECNOLGICAS DE SANTANDER


EJEMPLO
Calcular el rango de los siguientes conjuntos de datos
NOTAS DE UNA MUESTRA DE 10 ESTUDIANTES

NOTAS DE UNA MUESTRA DE 10 ESTUDIANTES

10

10

3,2

3,5

3,8

3,5

3,8

3,7

3,6

3,8

3,9

3,5

0,1

3,5

0,7

5,0

1,0

4,7

4,9

3,8

3,9

0,9

R = 3,9 - 3,2 = 0,7

R = 5,0 - 0,1 = 4,9

La dispersin de la muestra de la izquierda, medida por el rango, es menor que la dispersin de la muestra
de la derecha
El clculo anterior se realiz con muestras de datos que no estn agrupados. Cuando los datos ya estn
agrupados en clases el rango se establece restando del valor del lmite superior de la clase mas alta el valor
del lmite inferior de la clase ms baja. En smbolos:

R = LS clase ms alta - LI clase ms baja


EJEMPLO
Una muestra de las facturas que se cancelan con tarjetas de crdito en una cadena de almacenes de modas
se presenta en la siguiente tabla
Ventas
No. de
(Miles de $) Facturas
30

36

25

36
42
48
54
60

42
48
54
60
66

38
49
51
32
29

R = LS clase ms alta - LI clase ms baja


R = 66 - 30 = $36 miles
Como no se tiene el rango de otro conjunto de datos o un valor de
referencia, para comparar, entonces, no se puede decir s este
conjunto de datos es o no disperso

224
2.4.9

CARACTERSTICAS DEL RANGO

Es fcil de entender y de calcular


Da una idea rpida de la dispersin
En el clculo nicamente se tienen en cuenta los valores mximo y mnimo
Vara mucho de una muestra a otra
No se puede calcular con distribuciones de frecuencia que tienen clases de extremo abierto

2.4.10 EL RANGO INTERCUARTLICO


Una de las desventajas del rango es que solamente se tienen en cuenta, para su clculo, los valores
mximo y mnimo, por lo que no indica cmo estn distribuidos internamente los datos. Esta desventaja se
puede corregir con el rango intercuartlico
Para simbolizar el rango intercuartlico se utiliza, en estas notas, RQ y se calcula restando la diferencia entre
el primero y el tercer cuartil, es decir:

RQ = Q3 - Q1

Este rango muestra la dispersin de la porcin ms central de los datos que abarca el 50% del total

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

70

UNIDADES TECNOLGICAS DE SANTANDER


EJEMPLO
Las distancias en kilmetros, recorrida en un da por dos muestras de vehculos se presentan en la siguiente
tabla
MUESTRA B
Distancia
No. De
(Kilmetros)
Vehculos
25
35
3
35
45
7
45
55
11
55
65
19
65
75
7
75
85
6
53

MUESTRA A

Distancia
No. De
(Kilmetros) Vehculos
25
35
3
35
45
7
45
55
12
55
65
15
65
75
10
75
85
6
53

R = Xmax - Xmin = 60 Kmts

R = Xmax - Xmin = 60 Kmts

Q1 = 48,0 Kmts

Q1 = 47,7 Kmts

RQ = 16,9 Kmts

Q3 = 67,75 Kmts

Q3 = 64,9 Kmts

RQ = 20,05Kmts

Como se ve, aunque las dos muestras tienen el mismo rango, R, el rango intercuartlico es diferente, lo que
indica que la muestra B es menos dispersa que la muestra A
2.4.11 LA DESVIACIN MEDIA
Es la diferencia promedio, en valor absoluto, de los datos de la muestra o poblacin con respecto a su propia
media. La forma de la expresin de clculo vara dependiendo de que se trate de datos no agrupados o
datos agrupados
El smbolo que se utiliza en estos apuntes para la desviacin media son las iniciales DM
Desviacin media para datos no agrupados

DM =

|
|

Dnde:
DM: Smbolo de la desviacin media

: Cada uno de los datos de la muestra


: La media aritmtica de la muestra

n: El nmero de datos
La razn por la cual se extrae el valor absoluto es porque los nmeros tienen una propiedad que consiste en
que la suma de las diferencias de un conjunto de nmeros con respecto a su media siempre da igual a cero
EJEMPLO
Una muestra, al azar, del tiempo, en minutos, que duran las llamadas que se hacen desde un telfono, se
presenta en la siguiente tabla
3

14

24

12

Hallar la desviacin media de esta muestra

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

71

UNIDADES TECNOLGICAS DE SANTANDER

3
14
24
9
7
12

= 11,5

| |
8,5
2,5
12,5
2,5
4,5
0,5
31


-8,5
2,5
12,5
-2,5
-4,5
0,5

DM =

31

= 5,2 minutos
6
Interpretacin: En promedio, la diferencia de cada llamada con respecto a la media es de 5,2 minutos
Desviacin media para datos agrupados
Dnde:
DM : smbolo de la desviacin media

DM =

| |

: La marca de clase de la clase i


: La media aritmtica de la muestra
: La frecuencia absoluta de la clase i
n: El nmero de datos

EJEMPLO
La siguiente tabla es una muestra, en miles de pesos, del valor del arriendo mensual de vivienda del estrato
tres.
Datos
Tabla de Clculo
Valor arriendo

No. De

Valor arriendo

(miles de pesos)

viviendas

(miles de pesos)

| |

| |

210
230
250
270
290
310
330

-61,920
-41,920
-21,920
-1,920
18,080
38,080
58,080

61,92
41,92
21,92
1,92
18,08
38,08
58,08

743,04
628,8
504,16
42,24
361,6
685,44
871,2
3836,48

200

220

12

200

220

12

220

240

15

220

240

15

240

260

23

240

260

23

260

280

22

260

280

22

280

300

20

280

300

20

300

320

18

300

320

18

320

340

15

320

340

15

125

= $271,92 miles

125

DM =

3836,48

= $30,7 miles
125
En promedio, los arriendos de la muestra, se diferencian de la media en $30,7 miles
La desviacin media tiene en cuenta, para su clculo, todos los datos de la muestra y es fcil de interpretar.
Pero, la operacin del valor absoluto para soslayar la propiedad anteriormente mencionada de los de los
nmeros, da una descripcin incompleta de la situacin. Obsrvese que no se sabe s la diferencia de $30,7
miles, del ejemplo anterior, es por encima o por debajo de la media.
Parta evitar este inconveniente existe otra medida de dispersin que aprovecha otra propiedad de los
nmeros que consiste en que todo nmero elevado al cuadrado tiene signo positivo. Esta medida de

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

72

UNIDADES TECNOLGICAS DE SANTANDER


dispersin es la varianza.
2.4.12 LA VARIANZA
La Varianza, al igual que la desviacin media utiliza, para medir la dispersin, las desviaciones de los datos
con respecto a la media, pero, en este caso, estas desviaciones se elevan al cuadrado. Por lo tanto, se
puede decir que la varianza es el promedio de las desviaciones, de los datos, con respecto a la media
elevadas al cuadrado.
Para el clculo de la varianza, lo mismo que para las medidas de dispersin estudiadas anteriormente, se
debe tener en cuenta s los datos estn o no agrupados, pero, adicionalmente, el clculo de la varianza es
ligeramente diferente segn se trate con poblaciones o muestras, por lo que se utilizan smbolos diferentes
para indicar cada una de estas dos situaciones
2.4.12.1 VARIANZA POBLACIONAL
Es la varianza que se calcula utilizando todos los datos de una poblacin

Smbolo:

Varianza poblacional para datos no agrupados

2=

Dnde :

( )2

= Cada dato de la poblacin


= La media de la poblacin
N = El tamao de la poblacin

EJEMPLO
Los siguientes datos corresponden a los puntajes obtenidos por los aspirantes a un cargo en una empresa
Tabla de clculo
PUNTAJES
60

81

77

72

91

90

= 78,5 puntos

( )2

60

-18,5

342,25

81

2,5

6,25

77

-1,5

2,25

72

-6,5

42,25

91

12,5

156,25

90

11,5

132,25

2=

681,5
6

2=

113,58 puntos al
cuadrado

681,5

Varianza poblacional para datos agrupados

( )2
2=

= Es la marca de clase de c/u de las clases en que se agrupa la


poblacin

= La media de la poblacin
= Es la frecuencia absoluta de cada clase
N = El tamao de la poblacin

EJEMPLO
En un programa sobre riesgo cardiovascular, se registr el peso en kilogramos de todos los empleados de
una empresa

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

73

UNIDADES TECNOLGICAS DE SANTANDER

Datos
Peso en

Tabla de clculo
Peso en

No. de

Kilogramos

Kilogramos Empleados
39

49

49

59

11

59

69

50

69

79

31

79

89

27

89

99

18

99

109

( )2

( )2

39

49

44

-30,2

912,04

4560,20

49

59

11

54

-20,2

408,04

4488,44

59

69

50

64

-10,2

104,04

5202,00

69

79

31

74

-0,2

0,04

1,24

79

89

27

84

9,8

96,04

2593,08

89

99

18

94

19,8

392,04

7056,72

99

109

104

29,8

888,04

7992,36

151

151

= 74,2 kilogramos

31894,04

31894,04
=
= 211,22 Kilogramos al cuadrado
151

Ntese que si la poblacin es infinita no se puede calcular la varianza poblacional porque el valor de N sera
infinito.
2.4.12.2 VARIANZA MUESTRAL
Es la varianza que se calcula sobre los datos de una muestra. El clculo con respecto a la varianza
poblacional difiere en que, el divisor de la expresin ya no es N, el tamao de la poblacin, ahora es (n 1),
que es el tamao de la muestra, n, menos una unidad.
Smbolo:

Varianza muestral para datos no agrupados


Dnde:
2
: Es cada uno de los datos de la muestra
2 = ( )
1
: Es la media de la muestra
n : Es el tamao de la muestra

La razn por la cual se divide entre n - 1 es porque, de esta manera, s , es un estimador insesgado de la
varianza de la poblacin de la cual se extrajo la muestra. El concepto de estimador insesgado se estudia en
el curso de Estadstica Inferencial.
EJEMPLO
Los saldos de las cuentas de ahorro, de empleados, de una muestra de las cuentas de ahorro de una
cooperativa, escogidas al azar, se presentan en la siguiente tabla:
Tabla de clculo
SALDOS DE LAS CUENTAS EN MILES DE
PESOS

157

157

-55,5

3080,25

62

-150,5

22650,25

62

234

532

200

$212,5 miles

90

( )2

234

21,5

462,25

532

319,5

102080,25

200

-12,5

156,25

90

-122,5

15006,25

2=

143.435,5
(6 1)

2 = 28.687,10 miles de
pesos al cuadrado

143.435,50

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

74

UNIDADES TECNOLGICAS DE SANTANDER

Varianza muestral para datos agrupados


Dnde:
2
(
)

: Es la marca de clase de c/u de las clases en que se agrupa la muestra

2 =
( 1)
: Es la media aritmtica de la muestra
:Es la frecuencia absoluta de cada clase
n : Es el tamao de la muestra
EJEMPLO
Una muestra del tiempo, en horas, que demora el almacn de materiales de una fbrica en surtir los pedidos
que recibe:
Datos

Tabla de clculo

Tiempo

No. de

Tiempo

(Horas)

pedidos

(Horas)

( )2

( )2

10

10

-5,3

28,09

280,90

16

16

-3,3

10,89

174,24

33

33

-1,3

1,69

55,77

45

45

0,7

0,49

22,05

10

26

2,7

7,29

189,54

12

10

11

4,7

22,09

220,90

10

26

10

12

10

10

140

140

6,3 horas

2 =

943,40
(140 1)

943,40

= 6,8 horas al cuadrado

Como se puede observar, en los ejemplos anteriores, todas las unidades de la desviacin estndar estn
elevadas al cuadrado por lo que es difcil interpretar el significado del valor de la varianza; esta en una de las
razones por las cuales, para medir la dispersin, se prefiere otra medida que es la Desviacin Estndar
2.4.13 LA DESVIACIN ESTNDAR
Conocida tambin como Desviacin Tpica, la desviacin estndar es la raz cuadrada de la varianza. Los
smbolos que se utilizan son , para clculo de la dispersin en poblaciones y s, para el clculo de la
dispersin en muestras
2.4.13.1 DESVIACIN ESTNDAR PARA POBLACIONES
Datos no agrupados

= 2 =

Datos agrupados

( )2

DEPARTAMENTO DE CIENCIAS BSICAS

= 2 =

VERSIN 12

( )2

FECHA: 2015

Pgina

75

UNIDADES TECNOLGICAS DE SANTANDER


2.4.13.2 DESVIACIN ESTNDAR PARA MUESTRAS
Datos no agrupados

Datos agrupados

( )2
( 1)

( )2
( 1)

s= 2 =

s= 2 =

Las tablas de clculo para la desviacin estndar son idnticas a las que se utilizan para la varianza, con un
clculo adicional: extraer la raz cuadrada de la varianza
EJEMPLO
En un ejemplo anterior se vio que los puntajes de los aspirantes a un cargo, en una empresa fueron:
y se calcul que:
2 = 113,58 puntos al cuadrado
Por lo tanto,
= 2 = 113,58 = 10,7 puntos

PUNTAJES
60

81

77

72

91

90

EJEMPLO
En otro caso se estableci que el tiempo, en horas, que demora el almacn de materiales de una fbrica en
surtir los pedidos que recibe
Tiempo

No. de

(Horas)

pedidos

10

16

33

45

10

26

10

12

10

Y se calcul que:

= 6,8 horas al cuadrado

Por lo tanto:

s= 2 = 6,8 = 2,6 horas

140
Aunque es indispensable que se conozca, a ciencia cierta, como se obtienen la cifras de los clculos de la
media aritmtica y la desviacin estndar, en la prctica, la tecnologa disponible permite que estas
operaciones se hagan de forma ms rpida y segura utilizando las funciones estadsticas de las calculadoras
cientficas o de las hojas electrnicas de los programas de computador, por lo que se debe consultar, por lo
menos, en los manuales de las calculadoras, los detalles de la forma como se ejecutan estas funciones.
2.4.14 EL COEFICIENTE DE VARIACIN
Para introducir el concepto del coeficiente de variacin se analiza la siguiente situacin:
En la seccin de materiales livianos del almacn de materiales de una fbrica se tom una muestra del peso
de elementos de esa seccin escogidos al azar, lo mismo se hizo en la seccin de materiales pesados, de la
misma bodega y para ambas muestras se calcul su peso promedio y la desviacin estndar. Los resultados
son los que se presentan a continuacin:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

76

UNIDADES TECNOLGICAS DE SANTANDER


SECCIN DE MATERIALES LIVIANOS

SECCIN DE MATERIALES PESADOS

= 4 Kilos

= 50 Kilos

S = 2 Kilos

S = 2 kilos

La primera impresin que se obtiene de una observacin desprevenida de estos resultados es que las dos
muestras tienen la misma dispersin porque sus desviaciones estndar son iguales. Sin embargo, si se
examina con ms atencin, se puede ver que en el caso de la seccin de materiales livianos, la desviacin
estndar equivale a la mitad del peso promedio de los materiales de la muestra. En cambio, en la seccin de
materiales pesados la desviacin estndar equivale nicamente a 1/25 del peso promedio de los paquetes.
Por lo que comparadas las dos desviaciones estndar con la magnitud de su respectivo promedio, es mucho
ms alta la dispersin de la seccin de materiales livianos.
De este anlisis se concluye que la desviacin estndar en casos como el del ejemplo, no permite comparar
la dispersin de dos muestras y se puede agregar que esta dificultad se presenta cuando las medias de las
muestras que se estn comparando son muy diferentes entre s.
Para resolver este inconveniente, la estadstica dispone de un indicador para medir la dispersin. Este
indicador es el Coeficiente de Variacin y se calcula con la siguiente expresin:
COEFICIENTE DE VARIACIN PARA POBLACIONES

COEFICIENTE DE VARIACIN DE MUESTRAS

SMBOLO : CV

SMBOLO : CV

CV =

CV

El coeficiente de variacin es un nmero sin dimensiones por lo que se puede expresar en fracciones
decimales o en porcentaje
EJEMPLO
Se tomaron muestras de las ventas diarias, en miles de pesos, de dos vendedores de una empresa. Cul
de las dos muestras es ms dispersa?
VENTAS DEL VENDEDOR A
500

450

390

600

290

VENTAS DEL VENDEDOR B


400

440

80

25

23

= $438,6 miles

S = $96,5 miles

CV = 0,22

57

90

10

$47,5 miles
$33,1 miles

CV = 0,70

Como se puede notar, la desviacin estndar del vendedor A es mayor que la desviacin estndar del
vendedor B; sin embargo, las ventas de la muestra del vendedor A son menos dispersas que las ventas de la
muestra del vendedor B, porque el coeficiente de variacin de las ventas del vendedor A es menor que el
coeficiente de variacin de las ventas del vendedor B
EJEMPLO
Una muestra de las ventas por da de un almacn de ropa de moda y un gran distribuidor textil se presentan
en la siguientes tablas. Cul de los dos promedios de ventas por da es ms confiable?

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

77

UNIDADES TECNOLGICAS DE SANTANDER


JEANS AND BREECHES

DISTRIMODA

VENTAS POR DA

VENTAS POR DA

(Millones de pesos)

(Millones de pesos)

Ventas

No. de

Ventas

No. de

por da

das

por da

das

0,9

1,1

9,2

10,3

12

1,1
1,3

1,3

10,3

11,4

16

1,5

16

11,4

12,5

25

1,5

1,7

23

12,5

13,6

19

1,7

1,9

29

13,6

14,7

10

1,9

2,1

20

14,7

15,8

2,1

2,3

11

9
91

111

Solamente se necesita establecer la marca de clase de ambas tablas y el resto de los clculos se realizan
directamente aplicando las funciones estadsticas de las calculadoras cientficas
JEANS AND BREECHES

DISTRIMODA

VENTAS POR DA

VENTAS POR DA

(Millones de pesos)

(Millones de pesos)

Ventas

No. de

por da

das

Xi

Ventas

No. de

por da

das

Xi

0,9

1,1

1,0

9,2

10,3

12

9,75

1,1

1,3

1,2

10,3

11,4

16

10,85

1,3

1,5

16

1,4

11,4

12,5

25

11,95

1,5

1,7

23

1,6

12,5

13,6

19

13,05

1,7

1,9

29

1,8

13,6

14,7

10

14,15

1,9

2,1

20

2,0

14,7

15,8

15,25

2,1

2,3

11

2,2

91

111

= 1,706306306

CV = 0,17868609

S = 0,30489321

= 12,26428571
S

CV

= 0,13255294

= 1,62566714

Respuesta: Es ms confiable el promedio diario de Distrimoda porque tiene el menor coeficiente de variacin

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

78

UNIDADES TECNOLGICAS DE SANTANDER

3 REGRESIN Y CORRELACIN
3.1
3.1.1

REGRESIN

INTRODUCCIN

En muchas circunstancias de las actividades administrativas o cotidianas se encuentra que el


comportamiento de dos o ms hechos o situaciones parece estar relacionado de alguna manera, como por
ejemplo en los siguientes casos:
El nmero de vehculos que circulan por las vas de una ciudad y los ndices de contaminacin de la
misma
La tasa de desempleo y las ventas del comercio
Las ventas de licor y el nmero de accidentes de trnsito
Las horas de tutoras y el nmero de estudiantes que reprueban los parciales
El nmero de apartamentos construidos en un determinado periodo y las ventas de muebles
El nmero de personas que se movilizan en bus y las ventas de motos y el estado del clima
Existe una tcnica para establecer matemticamente la relacin que puede existir entre situaciones como
las sealadas anteriormente. Estas situaciones reciben el nombre de variables
3.1.2

CONCEPTO DE REGRESIN

Es un mtodo de clculo para establecer la relacin matemtica que existe entre dos o ms situaciones o
variables, que la observacin o el sentido comn indican que tienen comportamientos que estn
relacionados
3.1.3

IMPORTANCIA DE LA REGRESIN

Este mtodo aplicado al anlisis estadstico permite predecir matemticamente el comportamiento de una
variable a partir del comportamiento conocido de otra u otras variables. Esta relacin entre las variables se
establece a travs de una ecuacin que se llama Ecuacin de Regresin
3.1.4

VARIABLES DEPENDIENTES E INDEPENDIENTES

Al establecer la relacin entre dos variables se encuentra que el comportamiento de una variable depende
del comportamiento de otra u otras variables o que la manifestacin de una variable ocurre primero que la
manifestacin de otra u otras variables. A la variable que ocurre primero o que determina el comportamiento
de otra se le llama Variable Independiente y se suele representar por la letra X y a la otra variable se le
llama Variable Dependiente y se suele representar por la letra Y
EJEMPLOS:
Tasa de desempleo y ventas del comercio: La variable independiente o variable x es la tasa de
desempleo y la variable dependiente o variable y es las ventas del comercio
Accidentes de trnsito y ventas de licor: La variable independiente es las ventas de licor y la variable
dependiente los accidentes de trnsito
El nmero de personas que se movilizan en bus puede depender de las ventas de motocicletas y del
estado del clima, por lo que el nmero de personas que utilizan el servicio de bus es la variable
dependiente y las otras dos son las variables independientes

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

79

UNIDADES TECNOLGICAS DE SANTANDER


3.1.5

GRFICO DE DISPERSIN

Es la representacin grfica, en el plano cartesiano, en forma simultnea, de los valores que toman la
variable independiente (x) y la variable dependiente (y)
EJEMPLO
Se tomaron datos sobre el kilometraje recorrido por un vehculo y el consumo de gasolina, en galones, como
se presenta en la siguiente tabla:

Kilmetros
X
30
50
10
40
60
20

Galones
Y
5,95
8,55
2,35
9,25
13,85
6,75

La representacin grfica de los valores de esta tabla en el plano cartesiano, recibe el nombre de Grfico de
Dispersin como se muestra a continuacin:

Grfico de dispersin
Galones consumidos

16

14
12
10
8
6
4
2
0
0

10

20

30

40

50

60

70

Kilmetros recorridos

3.1.6

TIPOS DE RELACIN ENTRE DOS O MS VARIABLES

La relacin entre dos o ms variables que como dijimos anteriormente matemticamente recibe el nombre
de regresin se puede clasificar de dos formas:

Atendiendo a la cantidad de variables que se relacionan se clasifica en Regresin Univariada o


Regresin Multivariada

Atendiendo a la representacin grfica de la ecuacin de regresin se clasifica en Regresin Lineal o


Regresin Curvilnea

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

80

UNIDADES TECNOLGICAS DE SANTANDER

Esta clasificacin se puede visualizar en la siguiente grfica:

3.1.7

TIPOS DE REGRESIN

Regresin Univariada
Se presenta cuando slo interviene una variable independiente
Regresin Multivariada
Se presenta cuando interviene ms de una variable independiente
Regresin lineal
Se presenta cuando la representacin grfica de la ecuacin de regresin es una lnea recta.
Regresin Curvilnea
Se presenta cuando la representacin grfica de la ecuacin de regresin es una curva
Tanto la regresin lineal como la curvilnea tienen dos formas de manifestarse: en forma directa o en forma
inversa
Regresin Lineal Directa
Ocurre cuando al aumentar el valor de la variable independiente aumenta, proporcionalmente, el valor de la
variable dependiente. Por lo tanto, una recta parece describir de manera apropiada la relacin entre estas
variables, como se puede ver en el siguiente grfico

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

81

UNIDADES TECNOLGICAS DE SANTANDER

10

Y
5
4
3
9
7
5

9
8
7

Variable Y

X
8
13
6
24
18
20

6
5
4
3
2
1
0
0

10

15

20

25

30

Variable X

10
9
8
variable Y

7
La curva de regresin
(una recta), que mejor
describe la relacin
entre estas dos
variables, se presenta
en la grfica de la
izquierda

6
5
4
3
2
1
0
0

10

15

20

25

30

Variable X

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

82

UNIDADES TECNOLGICAS DE SANTANDER


Regresin Lineal Inversa
Ocurre cuando al aumentar el valor de la variable independiente disminuye el valor de la variable
dependiente en una proporcin similar

Y
9
24
11
6
14

30
25
20
Variable Y

X
19
3
16
24
8

15
10
5
0
0

10

15

20

25

30

Variable X

La curva de regresin (una recta), que mejor describe la relacin entre estas dos variables, se presenta
en la siguiente grfica:
30
25

variable Y

20
15
10

5
0

10

15

20

25

30

Variable X

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

83

UNIDADES TECNOLGICAS DE SANTANDER


Regresin Curvilnea Directa
Ocurre cuando al aumentar de valor la variable independiente, la variable dependiente aumenta mas que
proporcionalmente

Y
12
21
6
7
17
8

25
20
Variable Y

X
16
18
8
12
17
10

15
10
5
0
0

10

15

20

Variable X

La curva de regresin, que mejor describe la relacin entre estas dos variables, se presenta en la siguiente
grfica

25

Variable y

20
15
10
5
0
0

10

15

20

Variable X

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

84

UNIDADES TECNOLGICAS DE SANTANDER


Regresin Curvilnea Inversa
Ocurre cuando al aumentar de valor la variable independiente, la variable dependiente disminuye de valor en
forma ms que proporcional

Y
2
9
7
18
2

20
18
16
14
Variable Y

X
14
5
10
2
20

12
10
8
6
4
2
0
0

10

15

20

25

Variable X

La curva de regresin, que mejor describe la relacin entre estas dos variables, se presenta en la siguiente
grfica:

20
18
16
Variable Y

14
12
10
8

6
4
2
0
0

10

15

20

25

Variable X

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

85

UNIDADES TECNOLGICAS DE SANTANDER


Ninguna relacin
Ocurre cuando la relacin entre la variable dependiente e independiente no se puede describir con ningn
tipo de curva
Y
8
5
4
3
10
7

12

10

Variable Y

X
13
2
15
5
4
7

0
0

10

12

14

16

Variable X

3.1.8

LA REGRESIN LINEAL

Cuando los puntos del grfico de dispersin se pueden relacionar con una recta que pase lo mas cerca
posible de todos ellos, a esta recta se le llama Recta de Mnimos Cuadrados, porque la suma de las
distancias al cuadrado, de los puntos del grfico a esta recta es mnima
Esta recta tiene por ecuacin Y = A + B X, donde A es el punto donde la recta corta al eje Y, y B es la
pendiente de la recta. El proceso para determinar el valor de los parmetros A y B es complejo, pero, el
estudiante interesado lo puede consultar en cualquier texto de estadstica. En el curso, se determinarn
utilizando las funciones de las calculadoras cientficas.
EJEMPLO
Se compar el tiempo total que realmente dura encendido, de forma intermitente, un celular, con la duracin
de su batera, obteniendo los valores que se presentan en la siguiente tabla:

celular
encendido
(segundos)
360
270
480
120
440
230
160

duracin
batera
(horas)
3,2
3,5
1,9
3,9
2,3
3,2
4,1

Como el tiempo de duracin de la batera depende del tiempo total, que de forma intermitente dura
encendido el celular, la variable dependiente es el tiempo de duracin de la batera y la variable
independiente el tiempo en segundos que dura encendido el celular, como se presenta a continuacin

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

86

UNIDADES TECNOLGICAS DE SANTANDER


X
celular
encendido
(segundos)
360
270
480
120
440
230
160

Y
duracin
batera
(horas)
3,2
3,5
1,9
3,9
2,3
3,2
4,1

El grfico de dispersin de estos datos es el siguiente:


4,5

Dracin de la batera en horas

4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
0

100

200

300

400

500

600

Duracin del celular encendido en segundos

Duracin de la batera en
horas

Trazando una recta que pase lo ms cerca posible de todos los puntos, el grfico queda as:
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
0

100

200

300

400

500

600

Duracin del celular encendido en segundos

Entre ms tiempo dure el celular encendido menos tiempo durar la batera por lo que la relacin entre las

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

87

UNIDADES TECNOLGICAS DE SANTANDER


dos variables en inversa y la pendiente de la recta es, por lo tanto negativa. Adicionalmente, se observa que
la relacin entre las dos variables es de tipo lineal, donde los parmetros de la recta de regresin son:

A =
B =

4,7764201
-0,0055024

Y la ecuacin de regresin que relaciona las dos variables es:


Y = 4,7764201 - 0,0055024X
Para un tiempo de encendido total intermitente del celular de 500 segundos, la duracin que se puede
esperar de la batera es:
Y = 4,7744201 - 0,0055024(500)
Y = 2 horas

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

88

UNIDADES TECNOLGICAS DE SANTANDER


3.2

LA CORRELACIN

El inters del analista no est solamente en establecer la forma como se relacionan dos variables, sino,
tambin, en medir que tan fuerte es el grado de esta relacin.
La regresin univariada es un caso extrao, lo comn es que en comportamiento total de una variable
dependiente sea el resultado de la interaccin de varias variables dependientes, como se muestra en las
siguientes grficas:
VOLUMEN DE TRFICO
CLIMA

COSTO DE
REPARACIN
DE VAS

TOPOGRAFA DEL TERRENO


CALIDAD DE LOS MATERIALES USADOS

KILOMETRAJE RECORRIDO
TIPO DE VEHCULO
MARCA
CONSUMO DE
COMBUSTIBLE
DE UN
VEHCULO

ESTADO MECNICO
ESTILO DE CONDUCCIN
TOPOGRAFA DE LA VA
EDAD DEL VEHCULO

Como es lgico pensar, la influencia que tiene cada una de estas variables independientes en el
comportamiento total de la variable dependiente no es igual para todas las variables independientes. Habr
algunas variables independientes que determinan, en buena medida, el comportamiento de la variable
independiente y, tambin, habr algunas variables independientes cuya influencia en el costo de reparacin
de vas o en el consumo de combustible, para estos ejemplos, es muy reducida.
Para cualquier observador que analice estas situaciones, es de capital importancia determinar cules son las
variables que ejercen un efecto notable en el comportamiento de otra, es decir, establecer la fuerza o
intensidad con la que una variable independiente y otra dependiente estn relacionadas. A esta fuerza o
intensidad se le llama Correlacin
3.2.1

EL COEFICIENTE DE CORRELACIN

Es una medida del grado en que una variable independiente influye en una variable dependiente
Este grado de la relacin entre dos variables se mide con un indicador que recibe el nombre de coeficiente
de correlacin.
El coeficiente de correlacin es un nmero adimensional que se representa por la letra r y toma valores entre
-1 y +1. El significado de estos valores que toma r es el siguiente:

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

89

UNIDADES TECNOLGICAS DE SANTANDER

S r = -1 r = +1 la correlacin entre las variables es perfecta, es decir, la fuerza de la relacin entre la


variable independiente y la variable dependiente, es la mxima posible. Esto quiere decir, que el
comportamiento de la variable dependiente depende completamente del comportamiento de la variable
dependiente
S r> 0, es decir, es positiva, la relacin entre las variables es directa
S r < 0, es decir, es negativa, la relacin entre las variables es inversa
S 0,9 r < 1 -1 < r - 0,9 la correlacin entre las variables se considera ptima
S r = 0 no existe correlacin entre las variables

Como el coeficiente de correlacin es un nmero adimensional se puede expresar tambin en porcentaje. Se


suele preferir valores de coeficientes de correlacin superiores al 90%
Relacin entre el coeficiente de correlacin y la pendiente de la recta de regresin
S la relacin entre las variables dependiente e independiente es directa el coeficiente de correlacin r y
la pendiente de la recta de regresin son ambos de signo positivo
S la relacin entre las variables dependiente e independiente es inversa el coeficiente de correlacin r y
la pendiente de la recta de regresin son ambos de signo negativo
EJEMPLO
Para el mismo caso de la duracin de la batera del celular, el valor del coeficiente de regresin es:

-94%

Que significa que la correlacin entre las dos variables es inversa y ptima
3.2.2

EL COEFICIENTE DE DETERMINACIN

El coeficiente de determinacin es el cuadrado del coeficiente de correlacin y explica el porcentaje de


cambio de la variable dependiente que se puede explicar por el cambio de la variable independiente. Por
ejemplo, un coeficiente de determinacin de 64% entre los litros de licor vendidos los fines de semana y el
nmero de accidentes de trnsito, en esos das, significa que el 64% de los accidentes de trnsito de los
fines de semana se pueden explicar por las ventas de licor
Para el mismo caso que estamos estudiando de la duracin de la batera del celular, el coeficiente de
determinacin es:

r2 =

88%

Que significa que el 88% de las variaciones en la duracin de la batera del celular se deben a las
variaciones en el tiempo total que demora el celular prendido de forma intermitente
EJEMPLO
Las horas de capacitacin que han recibido, diferentes grupos de operarios aprendices y el nmero de
unidades defectuosas, que salen del proceso productivo, en el primer mes de actividad, de cada uno de
estos grupos, se presentan en la siguiente tabla:
Horas de
capacitacin
27
22
38
13
33
15

No. de
productos
defectuosos
40
51
39
50
45
58

a) Se puede utilizar el modelo de regresin lineal?


b) Se justifica utilizar las horas de capacitacin para pronosticar el nmero de productos defectuosos en el

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

90

UNIDADES TECNOLGICAS DE SANTANDER


primer mes de actividad de los aprendices? Por qu?

c) Establezca la ecuacin de regresin lineal que relaciona las dos variables


d) Por qu la pendiente tiene signo negativo?
e) S un nuevo grupo de operarios aprendices slo va a recibir 20 horas capacitacin Alrededor de
cuntas unidades defectuosas se pueden esperar en su primer mes de trabajo?
Solucin

a)

Grfico de dispersin
No. de productos defectuosos

70
60
50
40
30
20
10

0
0

10

15

20

25

30

35

40

Horas de capacitacin
S se puede utilizar el modelo de regresin lineal porque los puntos describen una lnea recta

b) r = -0,81328 = -81%

r2 = 0,6614 = 66% el 66% de las variaciones en el nmero de productos defectuosos se deben a las
variaciones en las horas de capacitacin. La correlacin entre las dos variables es moderada. Se pueden
realizar pronsticos con precaucin
c) y = 61,869 0,596x
d) Porque la relacin entre las variables es inversa
e) y estimado = 61,889 0,596(20) = 50 unidades

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

91

UNIDADES TECNOLGICAS DE SANTANDER

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

92

UNIDADES TECNOLGICAS DE SANTANDER


4 INTRODUCCIN AL CLCULO DE PROBABILIDADES
4.1

PRINCIPIOS DE PROBABILIDAD

Tipos de fenmenos:

Fenmenos determinsticos
Una accin produce un solo resultado posible
Se puede pronosticar con precisin lo que va a ocurrir
Qu distancia recorre un cuerpo en cada libre en un tiempo determinado?
A qu temperatura se evapora el agua al nivel del mar?
Qu le ocurre a un material ferroso en un ambiente hmedo?
Fenmenos aleatorios
Una accin produce varios resultados posibles, conocidos, de los cuales ocurre solo uno

Los resultados ocurren AL AZAR


En qu numero caer la lotera?
Qu resultado tendr una nueva empresa?
Cuntos productos saldrn defectuosos de un lote de produccin?
Qu numero saldr al lanzar un dado?
Fenmenos determinsticos hay certidumbre. Siempre se sabe que va a ocurrir, s se realiza una actividad
en unas condiciones determinadas
Fenmenos aleatorios hay incertidumbre. Cuando se realiza una actividad no se sabe cul de los posibles
resultados va a ocurrir.

Concepto de Experimento Aleatorio:


Cualquier accin que tenga varios resultados posibles conocidos de los cuales ocurre solo uno
Lanzar una moneda
Iniciar una empresa
Medir alguna caracterstica de las piezas que salen de produccin
Cuntas veces se avera una mquina en el mes
Qu va a responder una persona sobre un tema que se le pregunte

Definiciones de probabilidad:
Medida numrica de la posibilidad de que ocurra un resultado determinado en un experimento aleatorio
Medida numrica de la incertidumbre

Necesidad de la probabilidad:
Medir la posibilidad o el riesgo de que algo ocurra o no ocurra
Cuantificar la incertidumbre
Conceptos Bsicos de Probabilidades
Espacio Muestral
Lista de TODOS los posibles resultados de un experimento aleatorio
Smbolo S

Ejemplos de espacio muestral:


Lanzar una moneda
Lanzar un dado
El peso de estudiantes de un saln de clase

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

93

UNIDADES TECNOLGICAS DE SANTANDER


Lanzar un par de dados
Sacar, al azar, una ficha de una caja que tiene varias fichas de colores
Ingresos de profesionales recin egresados

Formas de describir el espacio muestral


Con palabras espacio cualitativo
Con nmeros enteros espacio discreto
Intervalos de valores espacio continuo

Resultado o punto muestral


Cada uno de los elementos de un espacio muestral
Evento o suceso
Es un subconjunto del espacio muestral compuesto por uno o ms resultados del espacio muestral
Simbologa de las probabilidades :
Propiedades fundamentales de las probabilidades
si x = cualquier suceso

La suma de las probabilidades de todos los resultados de s debe siempre dar exactamente 1
4.2

ASIGNACIN DE PROBABILIDADES

Mtodos de asignacin de probabilidades


Mtodo Clsico
Mtodo Emprico o de la Frecuencia Relativa
Mtodo Subjetivo
Mtodo Clsico
Supuesto: resultados equiprobables
Momento del clculo: a priori (probabilidades tericas)
Para un suceso E cualquiera:

Ejemplos :
Calcular la probabilidad de que salga cara al lanzar una moneda
Calcular la probabilidad de que salga un 4 al lanzar un dado
Calcular la probabilidad de que la suma de los puntos al lanzar un par de dados sea mayor que 7
Calcular la probabilidad de sacar una ficha verde de una caja que contiene 2 fichas verdes, una
roja y 3 blancas

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

94

UNIDADES TECNOLGICAS DE SANTANDER


Mtodo Emprico o de la Frecuencia Relativa
Mtodo de clculo: a posteriori (probabilidades empricas)
La probabilidad de que ocurra un suceso E cualquiera es igual a su frecuencia relativa

Ejemplo: Tiempo que demora una capa de pintura en secarse


Horas por
muestra
0 - 0,5
0,5 - 1,0
1,0 - 1,5
1,5 - 2,0
2,0 - 2,5
2,5 - 3,0
Mas de 3,0
Suma

No. de
muestras
10
22
15
10
7
5
3
72

FR
0,14
0,30
0,21
0,14
0,10
0,07
0,04
1,00

S x = tiempo de secado en horas

???

Prctica: De una caja que contiene 10 fichas numeradas del cero al nueve se extrae una ficha al azar.
Cul e s la probabilidad de que la ficha seleccionada sea un nmero mayor que 6?

Mtodo Subjetivo
Sucesos que no han ocurrido antes
Sucesos que han ocurrido muy pocas veces
Sucesos que ocurren siempre en diferentes condiciones

4.3

EL DIAGRAMA DE RBOL

Muestreo
Concepto de muestra: Se examina el estado de la variable observando parte de los elementos de una
poblacin
Muestreo: Tcnicas para seleccionar las muestras
Muestreo: experimento aleatorio
Muestreo de caja o de urna

Concepto: Se extraen de una caja, completamente al azar, uno o ms elementos y se registra el estado de la
caracterstica observada
Muestreo con remplazamiento
Muestreo sin remplazamiento

Ensayos

Concepto: Cada uno de los intentos o pruebas con los que se realiza un experimento aleatorio
Principio del muestreo : Simultneamente = En sucesin

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

95

UNIDADES TECNOLGICAS DE SANTANDER


Diagrama de rbol
Tcnica grfica para establecer el espacio muestral
Limitaciones del diagrama de rbol:
Muestreo de ms de 3 ensayos
Caja con muchos elementos diferente

4.4

TCNICAS DE CONTEO

Tcnicas de conteo

Fin: calcular el tamao del espacio muestral y calcular el tamao de un suceso


Se usan:
Principio fundamental del conteo
Permutaciones
Combinaciones

Principio Fundamental del Conteo (PFC)

Muestreo con remplazamiento y sin remplazamiento (ya visto)


Muestreo ordenado
Frmula

Permutaciones

A
A
A
A
A
A

Muestreo ordenado
Condicin: muestreo sin remplazamiento
Concepto de permutacin
Frmula para el clculo del nmero de permutaciones

Ejemplo: de una caja que tiene 4 fichas marcadas con las letras A, B, C y D se extraen 3 fichas sin
reemplazamiento
B
C
B
A
C
C
A
B
D
A
B
B
D
B
A
D
C
A
D
D
A
C
C
B
B
C
A
C
B
A
D
B
A
C
D
B
C
D
C
B
D
D
B
C
D
B
B
D
A
C
D
A
D
C
A
D
C
B
D
C
C
D
B
D
C
B

Combinaciones

Muestreo desordenado
Condicin: muestreo sin remplazamiento
Concepto de combinacin
Frmula para el clculo del nmero de combinaciones

COMBINACIONES

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

96

UNIDADES TECNOLGICAS DE SANTANDER


Clasificacin de los sucesos
Un solo ensayo:
Sucesos mutuamente excluyentes
Sucesos compatibles

Ms de un ensayo:
Sucesos independientes
Sucesos dependientes

4.5

OPERACIONES CON PROBABILDADES

Operaciones con probabilidades

Suma de probabilidades
Complemento
Multiplicacin o Probabilidad Conjunta
Divisin o Probabilidad Condicional

Suma de Probabilidades
La probabilidad de que ocurra el suceso A el suceso B:
Sucesos compatibles:
Sucesos mutuamente excluyentes:

Complemento
S se tiene un suceso A cuya probabilidad de ocurrencia () se conoce, la probabilidad de que no ocurra
el suceso A es: () = 1 ()

Ejemplo: la probabilidad de que al lanzar un par de dados, la suma de las caras sea un nmero mayor
que 8 es:
5
A = Suma de las caras > 8 () =
18

= Suma de las caras 18

() = 1 () = 1

=
18

13
18

Probabilidad Conjunta
Sucesos independientes
S A y B son sucesos independientes la probabilidad de que ocurran el suceso A y el suceso B
simultneamente o en sucesin:
( ) = () ()
Sucesos Dependientes
S A y B son sucesos dependientes la probabilidad de que ocurran el suceso A y el
simultneamente o en sucesin:

suceso B

( ) = () ()
Probabilidad condicional
Condicin: un solo ensayo
Significado: Para dos sucesos A y B cualquiera

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

97

UNIDADES TECNOLGICAS DE SANTANDER


La probabilidad de que ocurra el suceso A s el suceso B ya ocurri:
( ) =

( )
() ()
=
()
()

Ejemplo
Una fbrica tiene en existencia, repuestos comprados a 3 proveedores, con la calidad y cantidad que se
muestran en la siguiente tabla:

CALIDAD
Primera
Segunda
TOTAL

A
20
10
30

PROVEEDOR
B
12
8
20

C
6
4
10

TOTAL
38
22
60

S se escoge un repuesto al azar y sale de segunda Cul es la probabilidad de que sea del proveedor C?

4.6

DEPARTAMENTO DE CIENCIAS BSICAS

TEOREMA DE BAYES

VERSIN 12

FECHA: 2015

Pgina

98

UNIDADES TECNOLGICAS DE SANTANDER

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

99

UNIDADES TECNOLGICAS DE SANTANDER


5 BIBLIOGRAFA

LEVIN, Richard, et al. Estadstica para Administracin y Economa Sptima edicin. PEARSON
EDUCATION. Mxico. 2004
MARTNEZ B, Ciro. Estadstica y Muestreo. Dcimo Tercera edicin. Editorial ECOE
LIND, Douglas; MARCHAL, William y WATHEN, Samuel. Estadstica Aplicada a los Negocios y la
Economa Dcimo Quinta edicin. Editorial McGraw Hill
ANDERSON, David; SWEENEY, Dennis y WILLIANS, Thomas. Estadstica para Administracin y
Economa. 11 edicin. Editorial CENGAGE LEARNING

DEPARTAMENTO DE CIENCIAS BSICAS

VERSIN 12

FECHA: 2015

Pgina

100

También podría gustarte