Analisis de Datos Unidimension

24
ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD
a) Determinar la variable objeto de estudio as como su dominio.

b) Obtener la tabla de frecuencias tanto absolutas como relativas (ordinarias y
acumuladas).
c) Determinar el nmero de clientes que tienen 5 productos contratados y el porcentaje con menos de 6.
d) El nmero de clientes que tienen ms de 3 productos y el porcentaje con 4 o
menos.
e) Porcentaje de clientes que tienen contratados entre 4 y 5 productos (ambos inclusive).
f) Dibujar el diagrama de barras y el diagrama en escalera (utilizar las frecuencias absolutas y relativas).
1.4 Los 75 clientes de la sucursal bancaria del problema anterior presentan los siguientes saldos trimestrales (en e) en sus cuentas corrientes o de ahorro:
Saldo trimestral (e)
Nmero clientes
[0 , 600[
10
[600 , 1.200[
15
[1.200 , 1.800[
35
[1.800 , 3.000[
10
[3.000 , 6.000]
a) Determinar la variable objeto de estudio.

b) Calcular la amplitud de los intervalos y las marcas de clase.
c) El nmero de clientes con un saldo trimestral entre 1.200 y 1.800 e, y el porcentaje de clientes con saldo igual o superior a 1.200 e
d) Cuntos clientes tienen en sus cuentas un saldo trimestral entre 600 y
1.800 e (ambos inclusive)?
e) Dibujar el histograma y polgono de frecuencias.
f) Representar el polgono de frecuencias acumulativo.
7 ITES-Paraninfo
Tema
Anlisis de datos
unidimensionales
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
Medidas de posicin.
Medidas de dispersin.
Momentos.
Medidas de forma.
Transformaciones lineales y tipificacin de variables.
Medidas de concentracin. Curva de Lorenz e ndice de Gini.
Cuestiones de autoevaluacin.
Ejercicios propuestos.
Problemas resueltos.
Problemas propuestos.
OBJETIVOS
Definir una serie de medidas (estadsticos descriptivos bsicos) que sinteticen la informacin contenida en una distribucin de frecuencias
unidimensional, tanto de valores agrupados como sin agrupar, y aprender a calcularlos e interpretarlos. Comparar la dispersin entre dos o
ms variables o distribuciones de frecuencias. Estudiar cmo se ven
afectados los estadsticos al transformar los datos de una variable.
Cuantificar e interpretar la concentracin de una distribucin.
26
2.1. Medidas de posicin

En general, las medidas de posicin indican un valor de la variable en torno al
cual se sitan un grupo de observaciones. Puede distinguirse entre:
a) Medidas de tendencia central: media aritmtica, armnica, geomtrica,
mediana y moda.
b) Medidas de tendencia no central: cuantiles.
A continuacin se abordan los principales detalles conceptuales y de aplicacin
de cada una de las medidas referidas anteriormente.
2.1.1. Media aritmtica(1)

Es la suma de todos los valores de la variable divididos por el nmero total de
observaciones. Se denota por x6 .
N
; xi
i%1
x6 %
N
; xi ni
x6 %
x1n1 ! x2n2 ! ! xI nI i%1

%
N
N
% ; x i fi
i%1
Evidentemente, esta medida slo se puede calcular si la variable estadstica objeto de estudio es de naturaleza cuantitativa.
El valor que toma la media debe estar siempre incluido entre el valor mnimo y
mximo del dominio de la variable analizada.
Ejemplo 2.1 La plantilla de una empresa durante los ltimos 4 meses ha estado formada por 16, 14, 15 y 15 empleados. Determinar la plantilla media de la empresa.
Solucin
A partir de la informacin proporcionada, construimos la distribucin de frecuencias. La variable toma I % 3 valores distintos (xi para i % 1, 2, 3), con frecuencias 1, 2 y 1, respetivamente.
(1)
xi
ni
14
15
16
1
2
1
Este es, con diferencia, el estadstico (cualquier funcin de los valores de la variable) ms importante. En adelante, cuando se haga referencia al trmino media, sin especificar, deber entenderse media
aritmtica.
7 ITES-Paraninfo
ANLISIS DE DATOS UNIDIMENSIONALES
27
Si se aade una tercera columna que recoja, para cada elemento, el producto
xi ni, su suma se corresponder con el numerador de la expresin de la media, de
manera que se obtendr al dividir por el nmero total de observaciones (N), en este
caso N % 4.
xi
ni
xi ni
14
14
15
30
16
16
3
60
p ; xi ni
i%1
60
% 15, es decir, la plantilla media de la empresa en los
4
ltimos 4 meses ha sido de 15 empleados.
Obsrvese que la media de empleados (x6 % 15) se encuentra comprendida entre
el mnimo valor de la variable (x1 % 14) y el mximo (x3 % 16).
La media ser: x6 %
Si la distribucin de frecuencias con la que se trabaja es de datos agrupados,

para poder calcular la media se toman, a modo de aproximacin a los valores de la
variable, las marcas de clase correspondientes a cada uno de los intervalos, lo que
supondr una prdida de precisin, que ser tanto mayor cuanto mayor sea la amplitud de los mismos.
Ejemplo 2.2 De un total de 10 asignaturas optativas se ha tomado el nmero de alumnos matriculados en cada una de ellas, obtenindose la siguiente distribucin de
frecuencias.
Alumnos matriculados
Li.1 , Li
Nmero optativas
ni
[10 , 20[
[20 , 40]
Cul es el nmero medio de alumnos matriculados?

Solucin
Para calcular la media de alumnos matriculados (x6 ), lo primero es determinar la
marca de clase (xi, i % 1, 2) de cada intervalo. Seguidamente se aade una columna que recoja el producto xi ni y se suma.
7 ITES-Paraninfo
28
Alumnos
matriculados
Li.1 , Li
Nmero
optativas
ni
Marca
de clase
xi
xi ni
[10 , 20[
15
60
[20 , 40]
30
180
2
240
p ; xi ni
i%1
Al dividir este resultado entre el nmero total de observaciones (N % 10) se obtiene la media,
240
x6 %
% 24 alumnos matriculados
10
La media aritmtica puede utilizarse si los datos con los que se trabaja son de
naturaleza aditiva, es decir, que al sumar todos los valores, estos representen el total de la poblacin. Variables aditivas son, por ejemplo, el nmero de empleados,
la renta, el salario, etc. Por el contrario, variables no aditivas son: tipos de inters,
velocidad, rentabilidad, etc.
Entre las principales ventajas que presenta la media se pueden destacar las siguientes:
Se puede calcular siempre que las variables sean de tipo cuantitativo.
Su clculo resulta fcil y en l intervienen todos los valores de la distribucin.
La media aritmtica es el centro de gravedad de la distribucin, es decir, es
el punto que por trmino medio dista menos de todas las observaciones de la
distribucin.
Es una medida nica y definida de forma objetiva en cada distribucin de
frecuencias.
En cuanto a los inconvenientes, tal vez el ms importante sea que la media aritmtica de la distribucin puede llegar a ser muy poco representativa del conjunto
de los valores observados si existe mucha dispersin en los datos. Se trata de una
medida muy sensible a los valores extremos(2).
Ejemplo 2.3 Para un total de 4 empresas se dispone de informacin relativa al tamao,
medido a travs del activo (millones de e):
500, 25, 30, 545
Cul es el tamao medio del conjunto de las empresas?
(2)
En este sentido se dice que la media no es un estadstico (medida) robusto.
7 ITES-Paraninfo
29
Solucin
El tamao medio (x6 ) se obtiene al sumar todos los valores de la variable y dividir por el nmero de observaciones (empresas), as:
x6 %
25 ! 30 ! 500 ! 545 1.100

%
% 275 millones de e
4
4
Como se pone de manifiesto en el ejemplo anterior, los valores del activo son
muy diferentes entre s, con lo que la media (275 millones de e) ser poco representativa. Cuando ocurre esto, es preferible utilizar otras medidas de posicin central, por ejemplo la mediana (vase Epgrafe 2.1.2.).
Con todo, la media aritmtica es la medida de posicin central ms utilizada,
de la que cabe destacar las siguientes propiedades:
1.
La suma de las desviaciones de todos los valores de la variable respecto a

su media es cero.
I
; (xi . x6 )ni % 0
i%1
2.
Si x6 i (i % 1, 2, ..., k) corresponden a las medias de k grupos distintos de tamao Ni (i % 1, 2, ..., k), respectivamente, se cumple que la media aritmtica del conjunto es:
x6 %
x6 1N1 ! x6 2N2 ! ! x6 k Nk
N1 ! N2 ! Nk
3. Depende de los cambios de origen y de unidad (vase Apartado 2.5).

Ejemplo 2.4 En una empresa de fabricacin de muebles, el departamento de control de
calidad ha inspeccionado cada hora, durante las 3 ltimas, un total de 6, 8 y 6 muebles respectivamente, encontrando en cada una de ellas un nmero medio de defectos de 3, 5 y 2. Determinar el nmero medio de defectos del total de muebles inspeccionados.
Solucin
Aplicando la segunda propiedad de la media:
x6 %
x6 1N1 ! x6 2N2 ! x6 3N3 3 6 ! 5 8 ! 2 6

%
% 3,5 defectos
N1 ! N2 ! N3
6!8!6
7 ITES-Paraninfo
30
2.1.2. Media armnica y geomtrica

La media armnica, que se denota por Mh, se define como:
Mh %
1
1
1
n1 ! n2 ! ! nI
x1
x2
xI
N
1
; ni
i%1 xi
I
siendo:
I
N % ; ni
i%1
En el caso particular de que las frecuencias fuesen unitarias, esto es, ni % 1 O i,

entonces:
I
Mh % I
1
;
i%I xi
Adems, a la hora de calcular la media armnica suele utilizarse que la inversa
de la media armnica es la media aritmtica de los valores inversos de la variable,
esto es:
I
1 ni
1
%;
Mh i%1 xi N
Por su parte, la media geomtrica, que es empleada cuando las variables son de
naturaleza multiplicativa en el sentido, por ejemplo, que los intereses generan nuevos intereses o cuando el incremento salarial se efecta sobre el anterior y no sobre
uno fijo, se denota por Mg y se define como:
N
n1
n2
nI
Mg % x
1 x 2 ... x I %
J
N
< x ni i
i%1
En el caso particular de que las frecuencias fuesen unitarias (ni % 1 O i), entonces se tienen:
I
I
Mg % x
< xi
1 x2 ... xI %
i%1
Adems, a la hora de calcular la media geomtrica suele utilizarse que el logaritmo de la media geomtrica que es igual a la media aritmtica de los logaritmos
de los valores de la variable, esto es:
I
log Mg % ; log (xi)

i%1
7 ITES-Paraninfo
ni
N
31
De la misma forma que se indic para la media aritmtica, el valor que tome la
media armnica y la media geomtrica(3) debe estar siempre incluido entre el valor
mnimo y mximo del dominio de la variable analizada.
2.1.3. Mediana
Ordenada la distribucin de frecuencias de menor a mayor, la mediana, que se
denota por Me, es un valor del recorrido de la variable que deja el mismo nmero
de observaciones a su izquierda y a su derecha.
Para el clculo de la mediana es necesario distinguir entre distribuciones de
frecuencias de valores sin agrupar y agrupados, pero la idea que siempre hay que
tener presente es que la mediana es aquel valor de la variable al que corresponde
una frecuencia acumulada igual a N/2.
2.1.3.1. Distribuciones de frecuencias de valores sin agrupar
Al trabajar con valores sin agrupar hay que considerar varias posibles situaciones (Figura 2.1). Cada una de stas ser tratada a continuacin.
Nmero impar de
observaciones
Frecuencias unitarias
Nmero par de
observaciones
Distribucin de frecuencias
de valores sin agrupar
Frecuencias no unitarias
Figura 2.1.
Situacin 1.
Distribucin de frecuencias unitarias
Si el nmero de observaciones es impar, el valor de la mediana coincidir con

el valor xi (Me % xi) que deje a derecha e izquierda el mismo nmero de observaciones.
Si el nmero de observaciones es par, entonces el valor de la mediana se obtenxi ! xi!1
.
dr como la media del valor(4): Me %
2
(3)
Se podra comprobar que la media armnica, geomtrica y armnica guardan la siguiente relacin: Mh m Mg m x6 .
(4)
Este es el criterio que se utilizar. Otros criterios consideran que son vlidos ambos valores, esto
es, Me % xi y Me % xi!1, o incluso cualquier valor comprendido entre los anteriores.
7 ITES-Paraninfo
32
Ejemplo 2.5 Una variable estadstica X toma los siguientes 7 valores distintos:
1, 3, 5, 6, 7, 8, 12
Determinar la mediana.
Solucin
Puede verse fcilmente que el valor de la variable xi % 6 deja el mismo nmero
de observaciones, un total de 3, a cada lado.
1, 3, 5 6 7, 8, 12
VWX
VWX
Por tanto, el valor de la mediana es:
Me % xi % 6
Ejemplo 2.6 Obtener la mediana de una variable estadstica que toma los siguientes 6
valores distintos:
9, 2, 5, 3, 6, 8,
Solucin
En este caso, lo primero que debe hacerse es ordenar la distribucin de frecuencias de menor a mayor.
2, 3, 5 8 6, 8, 9
El valor de la variable que deja el mismo nmero de observaciones a ambos lados, la mediana, se sita entre 5 y 6. As:
Me %
Situacin 2.
5!6
% 5,5
2
Distribucin de frecuencias no unitarias
Cuando la distribucin de frecuencias es no unitaria, se suele utilizar el siguiente criterio para determinar el valor de la mediana: sea Ni la primera frecuencia absoluta acumulada igual o superior a N/2, entonces:
D N aNaN
i
A i.1 2
si E
N
A
Ni %
F
2
7 ITES-Paraninfo
Me % xi
Me %
xi ! xi!1
2
33
Ejemplo 2.7 Obtener la mediana de la siguiente distribucin de frecuencias.

xi
2
3
5
ni
3
2
3
Ni
3
5
8
Solucin
N
% 4. El valor de la variable que
2
contiene una frecuencia acumulada de 4 es x2 % 3, con N2 % 5.
La mitad de las observaciones corresponde a
xi % x2 r
xi
2
3
5
ni
3
2
3
Ni
3
5
8
p Ni.1 % N1
p Ni % N2
N
Por tanto, como N1 a a N2 r 3 a 4 a 5 entonces Me % x2 r Me % 3.
2
Ejemplo 2.8 Obtener la mediana de la siguiente distribucin de frecuencias.
xi
3
4
6
ni
3
2
5
Ni
3
5
10
Solucin
N
El valor de la variable que acumula un nmero de observaciones igual % 5
2
es x2 % 4.
xi % x2 r
xi!1 % x3 r
xi
3
4
6
ni
3
2
5
Ni
3
5
10
p Ni % N2
N
xi ! xi!1
4!6
se tendr que Me %
r Me %
% 5.
2
2
2
La mediana de la distribucin es 5.
Por tanto, como N2 % 5 %
7 ITES-Paraninfo
34
2.1.3.2. Distribuciones de frecuencias agrupadas

Este caso tiene menos inters, pues actualmente no se suele trabajar con datos
agrupados, dado que la informtica permite manejar mucha informacin sin necesidad de perder parte de ella en agrupaciones.
El problema se resuelve obteniendo en primer lugar el llamado intervalo mediano, el primero cuya frecuencia absoluta acumulada Ni alcanza o sobrepasa N/2.
N
Es decir, Ni.1 a m Ni .
2
Para precisar el valor de la variable que corresponde a la mediana(5) se supone
que la frecuencia correspondiente al intervalo se distribuye uniformemente y por
reparto proporcional se obtiene el valor buscado.
Ejemplo 2.9 El nmero de proyectos de mejora propuestos por los 20 crculos de calidad existentes en una empresa han sido agrupados de la siguiente forma:
Proyectos de mejora
Li.1 , Li
Crculos de calidad
ni
[8 , 12[
[12 , 16[
[16 , 20[
2
6
8
[20 , 24]
Determinar el intervalo mediano.

Solucin
Para saber en qu intervalo estar incluida la mediana lo primero es insertar
una columna que represente la frecuencia absoluta acumulada (Ni), tal y como se
refleja en la siguiente tabla.
Proyectos de mejora
Li.1 , Li
Crculos de calidad
ni
Ni
[8 , 12[
[12 , 16[
[16 , 20[
[20 , 24]
2
6
8
4
2
8
16
20
p Ni.1%N2
p Ni%N3
N/2 . Ni
Identificado el intervalo mediano, Me % Li.1 ! ci
, donde ci es la amplitud del interN
i . Ni.1
valo mediano y Li.1 su extremo inferior.
(5)
7 ITES-Paraninfo
35
N
observaciones, sta
2
estar contenida en el intervalo [16 , 20[, que es el intervalo mediano, puesto que
N
N
N2 a m N3 , es decir, 8 a % 10 m 16.
2
2
Como la mediana es el valor de la variable que acumula
2.1.4. Moda
La moda de una distribucin, a la que se denotar por Mo, representa el valor
de la variable con mayor frecuencia. No tiene por qu ser nica. Es decir, si hay
dos o ms valores de la variable que tienen la misma frecuencia, siendo esta la
mayor, se estar ante una distribucin multimodal (bimodal, dos modas; trimodal,
tres modas; etc.).
Del mismo modo que se procedi con la mediana, para determinar la moda
debe distinguirse entre distribuciones de valores sin agrupar y agrupados.
2.1.4.1. Distribuciones de frecuencias de valores sin agrupar
En este caso, y segn la definicin de la moda, hay que fijarse en cul es el valor de la variable que ms se repite, el de mayor frecuencia.
Ejemplo 2.10 Se ha preguntado a 15 estudiantes por el nmero de horas semanales
dedicadas al estudio, recogindose sus respuestas en la siguiente distribucin de
frecuencias.
Horas semanales
de estudio, xi
2
3
Nmero
de estudiantes, ni
1
4
5
7
8
2
Obtener la moda del nmero de horas de estudio.

Solucin
La moda es 5 (Mo % 5), puesto que es el valor de la variable con mayor frecuencia. Un total de 8 estudiantes dedican 5 horas a estudiar.
7 ITES-Paraninfo
36
Ejemplo 2.11 Se ha preguntado a 5 estudiantes por el nmero de horas semanales dedicadas al estudio, siendo sus respuestas:
0, 2, 4, 5, 8
Obtener la moda del nmero de horas de estudio.
Solucin
En esta distribucin todos los valores de la variable se consideraran modas
pues ni % 1 O i.
2.1.4.2. Distribuciones de frecuencias de valores agrupados

Cuando se trabaja con valores agrupados en intervalos, lo ms sencillo para determinar el valor modal consiste en dibujar el histograma.
La moda estar contenida en el intervalo de mayor altura, al que se denomina
intervalo modal.
Ejemplo 2.12 Obtener el intervalo modal de la distribucin de frecuencias del Ejemplo 2.9.
Solucin
Para determinar el intervalo modal se aade una columna que recoja la altura
(hi ) asociada a cada intervalo. En este ejemplo todos los intervalos tienen la misma
amplitud (ci % 4), por lo que el intervalo de mayor frecuencia ser el que tenga
mayor altura y, por tanto, el intervalo modal.
intervalo modalr
Proyectos de
mejora, Li.1 , Li
Crculo
de calidad, ni
[8 , 12[
[12 , 16[
2
6
1/2
3/2
[16 , 20[
[20 , 24]
8
4
2
1
hi %
ni
ci
pmayor altura
As pues, la moda estar contenida en el intervalo [16 , 20[.

Existen casos en los que, sin necesidad de realizar ningn clculo, es posible
aproximar el valor que toma la moda en el intervalo modal. As, en la Figura 2.2,
Grfica (a), puede observarse cmo, si los intervalos anterior y posterior al intervalo modal tienen la misma altura, la moda coincidir con la marca de clase.
En cambio, si el intervalo posterior al modal es de mayor altura que el anterior,
7 ITES-Paraninfo
37
Figura 2.2.
Grfica (b), la moda se desplaza hacia la derecha de la marca de clase, coincidiendo su valor con el lmite superior del intervalo modal cuando la altura del anterior
al mismo sea cero, como puede verse en la Grfica (c). De forma anloga, la moda
coincidir con el extremo inferior del intervalo modal cuando la altura del intervalo posterior a ste sea cero, Grfica (d).
Siguiendo con el criterio anterior de aproximar el valor de la moda en proporcin inversa a las alturas de los rectngulos del histograma anterior y posterior al
modal, se recurre a la siguiente expresin:
Mo % Li.1 ! ci
hi!1
hi.1 ! hi!1
(2.1)
donde ci es la amplitud del intervalo modal, Li.1 su extremo inferior; hi.1 es la altura asociada al intervalo anterior al modal y hi!1 a la del posterior.
Ejemplo 2.13 En la siguiente distribucin de frecuencias se refleja la retribucin mensual de los 260 empleados del rea de fabricacin de una gran empresa industrial.
Retribucin (e)
Li.1 , Li
Nmero de empleados
ni
[800 , 1.000[
[1.000 , 1.400[
[1.400 , 1.800[
[1.800 , 2.100]
50
100
80
30
Cul es la retribucin ms frecuente en esta rea funcional?

7 ITES-Paraninfo
38
Solucin
Como fcilmente puede observarse en la distribucin de frecuencias del enunciado, los intervalos son de distinta amplitud. En consecuencia, y a diferencia del
Ejemplo 2.12, el intervalo al que corresponde mayor frecuencia no necesariamente
tiene que ser el que tenga mayor altura asociada.
Aadiendo a la tabla dos nuevas columnas que recojan la amplitud (ci) y altura
(hi) de cada intervalo:
intervalo modal r
intervalo modal r
Retribucin (e)
Li.1 , Li
Nmero
empleados
ni
ci
[800 , 1.000[
[1.000 , 1.400[
[1.400 , 1.800[
[1.800 , 2.100]
50
100
80
30
200
400
400
300
hi %
ni
ci
0,25
0,25
0,2
0,1
p mayor altura
p mayor altura
Como puede verse en la tabla anterior, en este caso existen dos modas (la distribucin es bimodal), la primera estar incluida en el intervalo [800 , 1.000[ y la
segunda en [1.000 , 1.400[.
Sin necesidad de realizar ningn clculo, podra decirse que la primera moda
ser 1.000, puesto que la altura del intervalo anterior al modal es cero. En cambio,
respecto a la segunda, como el intervalo anterior a [1.000 , 1.400[ es de mayor altura que el posterior, slo puede decirse que su valor se encontrar ligeramente por
debajo de la marca de clase (x2 % 1.200). Una mejor aproximacin al valor de la
moda puede obtenerse con la expresin dada en (2.1).
Moda 1: Mo % 800 ! 200
0,25
% 1.000
0 ! 0,25
Moda 2: Mo % 1.000 ! 400
0,2
% 1.177,78
0,25 ! 0,2
Por tanto, las retribuciones ms frecuentes en el rea de fabricacin de esta empresa son 1.000 e y 1.177,78 e.
2.1.5. Cuantiles
Ordenados de menor a mayor los valores de la variable y dado un entero positivo k, las familias de cuantiles sern valores del recorrido de la variable que dividirn la distribucin en k partes, conteniendo cada una de ellas la misma proporcin
1
de observaciones
.
k
AB
7 ITES-Paraninfo
39
Las familias de cuantiles ms utilizadas son aquellas que dividen la distribucin de frecuencias en cuatro, diez y cien partes y se conocen con el nombre de
cuartiles, deciles y percentiles, respectivamente:
a) Cuartiles (k % 4): son tres valores (Cs, s % 1, 2, 3) del recorrido que divi1
den la distribucin en 4 partes, conteniendo cada una de ellas el 25%
4
de las observaciones.
b) Deciles (k % 10): son nueve valores del recorrido (Ds, s % 1, 2, ..., 9) que
dividen la distribucin en 10 partes, de tal forma que cada una de ellas
1
contendr el 10%
de las observaciones.
10
c) Percentiles (k % 100): son noventa y nueve valores del recorrido (Ps,
s % 1, 2, ..., 99) que dividen la distribucin en 100 partes, conteniendo cada una de ellas el 1% de las observaciones.
AB
AB
AB
s
k
s % 1, 2, ..., (k.1), se identificar como los (k.1) valores del recorrido de la variable Qs s % 1, 2, ..., (k.1), que dividirn en k partes la distribucin de la variak
1
ble conteniendo, cada una de ellas, una proporcin de valores de
.
k
s
s
De esta forma, si Qs es el cuantil de orden
, un porcentaje de
100 de
k
k
k
los valores de la variable (como mnimo) sern menores o iguales que Qs y un pork
s
centaje de 1 . 100 de los valores (como mnimo) sern mayores o iguales
k
que Qs .
En general (para cualquier valor de k): una familia de cuantiles de orden
AB
AB
A B
A B
As, por ejemplo, el primer cuartil C1 ser el cuantil Q1 , de tal forma que, al
4
menos, el 25% de los valores sern menores o iguales que C1 y, al menos, el 75%
restante sern mayores o iguales que C1.
Anlogamente, podemos identificar los deciles y percentiles como cuantiles en
general: P35 % Q 35 , D8 % Q 8 , ..., etc.
100
10
El procedimiento de clculo es anlogo al estudiado en el caso de la mediana,

es decir, suponiendo datos sin agrupar:
sN
D
A Ni.1 a k a Ni
si E
sN
A
Ni %
F
k
Q s % xi
k
Qs %
k
xi ! xi!1
2
7 ITES-Paraninfo
40
donde Qs es el cuantil (cuartil, decil o percentil) que se quiere calcular y que acuk
s
observaciones.
mular una proporcin de
k
Si la distribucin de frecuencias es de valores agrupados se determinar el
intervalo cuantlico, es decir, aquel que contiene el cuantil que se quiere obtener.
AB
Ejemplo 2.14 Dada la siguiente tabla de frecuencias:

Proyectos de mejora
xi
Crculos de calidad
ni
10
14
2
6
18
22
8
4
Obtener el segundo cuartil, el cuarto decil y nonagsimo percentil.

Solucin
Proyectos de mejora
xi
Ni
10
Crculos de calidad
ni
2
14
18
22
6
8
4
8
16
20
El segundo cuartil (C2) es el valor de la variable que deja a su izquierda, esto es

acumula, un nmero mnimo de observaciones del 50%.
s % 2, k % 4
por tanto, como N2 a
s N 2 20
%
% 10 observaciones
4
k
sN
a N3 (8 a 10 a 16) entonces C2 % Q2 % x3 % 18.
4
k
Obsrvese que el valor del segundo cuartil coincide con el de la mediana. De

hecho, C2 % D5 % P50 % Me % Q1 .
2
El cuarto decil (D4) es el valor que acumula como mnimo un 40% de las observaciones:
s % 4, k % 10
7 ITES-Paraninfo
s N 4 20
%
% 8 observaciones
10
k
en consecuencia, como N2 % 8 %
sN
, el cuarto decil ser:
k
Qs % D4 %
k
41
x2 ! x3 14 ! 18
%
% 16
2
2
Por ltimo, el nonagsimo percentil, P90, es el valor que acumula como mnimo un 90% de las observaciones:
s % 90, k % 100 r
s N 90 20
%
% 18 observaciones
100
k
sN
%
con lo que el percentil noventa ser: Q 90 % P % x4 % 22, dado que N3 a
90
100
k
% 18 a N4 .
2.2. Medidas de dispersin

El trmino dispersin o variabilidad hace referencia a cmo de distantes, de separados, se encuentran los datos. En este sentido, si los distintos valores de la distribucin se encuentran prximos entre s, estos presentarn poca dispersin o variabilidad; si por el contrario estn alejados, mostrarn mucha dispersin.
Pueden calcularse diversas medidas de dispersin, aunque las ms habituales
son el rango (o recorrido), la varianza y la desviacin tpica. Las anteriores son
medidas de dispersin absoluta. Sin embargo, si lo que se quiere es comparar varias distribuciones de frecuencias en trminos de variabilidad, para ver cul es la
que presenta mayor o menor dispersin, debe obtenerse una medida relativa como,
por ejemplo, el coeficiente de variacin de Pearson.
2.2.1. Rango
El rango o recorrido de una distribucin es la diferencia entre el valor mximo
y mnimo, es decir, Re % xmax . xmin . La principal desventaja de este tipo de medida de dispersin es que nicamente tiene en cuenta dos valores de la variable.
2.2.2. Varianza y desviacin tpica

La varianza, que se denota por S2X , se define como la media aritmtica de los
cuadrados de las diferencias de los valores de la variable a la media aritmtica:
I
; (xi . x6 )2 ni
S2X %
i%1
(2.2)
7 ITES-Paraninfo
42
Con la varianza se pretende medir la dispersin que presentan los valores de la

variable respecto de su media. Cuanto mayor sea la varianza, cuanto mayor sea la
dispersin, menos representativa resultar ser la media.
Una expresin equivalente a la anterior para calcular la varianza, muy utilizada
por cuanto simplifica considerablemente la operatoria, es:
I
; x2i ni
S2X %
i%1
. x6 2
(2.3)(6)
De la definicin de varianza se desprende que sta nunca puede ser negativa

(S2Xn0) y que se encuentra expresada en unidades de medida al cuadrado.
Adems, la varianza no depende de los cambios de origen, pero s de los de
unidad (vase Apartado 2.5.).
Por su parte, la desviacin tpica o estndar, que se denota por Sx, es la raz
cuadrada positiva de la varianza, es decir:
SX % ! S2X n 0
La desviacin tpica es una medida de dispersin que suele proporcionarse junto con la media de la distribucin, puesto que ambas magnitudes vienen expresadas
en la misma unidad de medida, lo que facilita enormemente la interpretacin de los
resultados.
Otro estadstico que se utiliza mucho, especialmente en inferencia estadstica,
es la cuasivarianza, que se denota por S*X2 , y se define como:
I
; (xi . x6 )2 ni
S*X2 %
i%1
N.1
N
2
SX
N.1
siendo la cuasidesviacin tpica, S*X % ! S*X2

Ejemplo 2.15 El nmero de ofertas de empleo publicadas en los ltimos cinco nmeros
en una revista especializada ha sido:
10, 20, 12, 16, 12
Calcular el rango, varianza, desviacin tpica, cuasivarianza y cuasidesviacin
tpica.
Solucin
El rango o recorrido del nmero de ofertas de empleo (variable X) es:
Re % xmax . xmin r
Re % 20 . 10 % 10
(6)
En el Apartado 2.3 se ver cmo esta expresin se corresponde con la obtenida al expresar el
momento central de orden 2, que es la varianza, en funcin de los momentos ordinarios.
7 ITES-Paraninfo
43
Para calcular la varianza, se puede recurrir a la Expresin (2.2) o (2.3). Evidentemente el resultado es el mismo, simplemente una forma resulta ms cmoda que
la otra, como se ver.
Los clculos necesarios para obtener la varianza pueden obtenerse aadiendo
una serie de columnas a la tabla de frecuencias de las ofertas de empleo publicadas, tal y como se muestra a continuacin:
xi
ni
(xi .x6 )
(xi .x6 )ni
(xi .x6 )2ni
xini
x2i ni
10
.4
.4
16
10
100
12
.2
.4
24
288
16
16
256
20
36
20
400
;% 64
;% 70
;% 1.044
;% 0
(7)
Una vez elaborada la tabla anterior resulta casi inmediato el clculo de la media y de la varianza.
I%4
; xini
x6 %
i%1
70
% 14 anuncios
5
I%4
; (xi . x6 )2 ni
S2X %
i%1
64
% 12,8 (anuncios)2
5
o bien,
I%4
; x2i ni
S2X %
i%1
. x6 2 %
1.044
. 142 % 12,8 (anuncios)2
5
La desviacin tpica es: SX % ! S2X % 12,8 ] 3,58 anuncios.

La cuasivarianza se puede obtener a partir de la varianza:
S*X2 %
N
5
S2X %
12,8 % 16 (anuncios)2
N.1
5.1
La cuasidesviacin tpica es: S*X % SX*2 % 16 % 4 anuncios.

(7)
Obsrvese cmo la suma de las desviaciones de cada valor de la variable respecto a su media es
I%4
cero
; (xi . x6 ) ni % 0 , tal y como se indic en la primera propiedad de la media aritmtica.

i%1
7 ITES-Paraninfo
44
2.2.3. Coeficiente de variacin de Pearson

Es el cociente entre la desviacin tpica y la media aritmtica de la variable estadstica X. Suele representarse por g0(X).
g0(X) %
SX
x6
Cuanto ms prximo a cero se encuentre el coeficiente de variacin menor ser

la dispersin (relativa) y mejor la representatividad de la media aritmtica.
El coeficiente de variacin es una medida de dispersin relativa. Por esta razn, se utiliza para comparar la dispersin entre dos o ms distribuciones, independientemente del valor de sus medias y de la unidad de medida de las variables.
Ejemplo 2.16 Dos revistas especializadas en empleo, A y B, han publicado una media
de ofertas de trabajo, que requieren alta cualificacin, de x6 A % 10 y x6 B % 16 con
varianzas, respectivamente, de S2A % 4 y S2B % 9. Qu revista presenta mayor dispersin absoluta? Y relativa?
Solucin
La revista B presenta mayor dispersin absoluta que la revista A, puesto que
S2B % 9 b S2A % 4. Ahora bien, para comparar correctamente la dispersin en ambas
publicaciones (con medias distintas), debe calcularse el coeficiente de variacin,
medida de dispersin relativa, que mide el nmero de veces que la desviacin tpica contiene a la media. Por tanto:
g0(A) %
SA
2
% % 0,2
x6 A 10
g0(B) %
SB
3
% % 0,1875
x6 B 16
es decir, como g0(B) a g0(A) puede concluirse que la dispersin relativa de la revista B es menor que la de la revista A.
2.3. Momentos
A partir de la distribucin de frecuencias es posible calcular una serie de valores especficos que la caracterizan. Estos valores son los denominados momentos.
Los estadsticos obtenidos hasta ahora como media y varianza pueden considerarse casos particulares de los momentos. A continuacin se estudian los principales detalles de los distintos tipos de momentos que pueden obtenerse, momentos
ordinarios y centrales, as como la relacin que puede establecerse entre ellos.
7 ITES-Paraninfo
45
2.3.1. Momentos ordinarios o respecto al origen

Dada una variable estadstica unidimensional (X) y su distribucin de frecuencias, se define el momento ordinario (o respecto al origen) de orden p, que se denota por ap(X), como:
I
; x pini
ap(X) %
i%1
Los distintos momentos ordinarios son obtenidos al asignar valores a p. Seguidamente se presentan algunos casos particulares:
I
; x 0i ni
Momento ordinario de orden 0: Si p % 0 r a0(X) %
i%1
%1
; x 1i ni
i%1
% x6
; x 2i ni
i%1
2.3.2. Momentos centrales o respecto a la media

Dada una variable estadstica unidimensional (X) y su distribucin de frecuencias, se define el momento central (o respecto a la media) de orden p, que se denota por mp(X), como:
I
; (xi . x6 )pni
mp(X) %
i%1
Algunos casos particulares son:

I
; (xi . x6 )0ni
Momento central de orden 0: Si p % 0 r m0(X) %
i%1
; ni
%
i%1
%1
; (xi . x6 )1ni
i%1
%0
7 ITES-Paraninfo
46

I
; (xi . x6 )2ni
i%1
% S2x . Es
N
decir, el momento central de orden 2 coincide con la varianza [vase Expresin (2.2)].
2.3.3. Relacin entre los momentos ordinarios

y centrales
Es posible expresar cualquier momento central en funcin de los momentos
ordinarios. Para ello se recurre a la siguiente relacin:
p
mp % ; (.1)k
k%0
AB
p
ak1 ap.k
k
(2.4)
Por ejemplo, la expresin del momento central de orden 2 en funcin de los

momentos ordinarios se obtiene para p % 2 (8).
p%2
S2X z m2(X) % ; (.1)k

k%0
AB
A B
p%2
ak1 ap.k %
k
AB
AB
2
2
2
a01 a2.0 ! (.1)1
a11 a2.1! (.1)2
a21 a2.2
0
1
2
V\\W\\\X
V\\W\\\X V\\W\\\X
% (.1)0
k%0
k%1
k%2
Operando:
S2X % m2(X) % a01 a2 . 2 a11 a1 ! a21 a0 r S2X % m2(X) % a2 . a21
Sustituyendo el momento ordinario de orden 2 por la expresin que lo hace
operativo, y recordando que el momento ordinario de orden 1 coincide con la
media:
I
; x2i ni
S2X % m2(X) %
i%1
. x6 2
expresin para la varianza que coincide con la dada en (2.3).
(8)
Para calcular el nmero combinatorio
7 ITES-Paraninfo
AB
p
k
se procede de la siguiente forma:
AB
p!
p
k
k!(p . k)!
47
Ejemplo 2.17 Expresar el momento central de orden 3 de la variable X en funcin de

los momentos ordinarios.
Solucin
Recurriendo a la Expresin (2.4)
p%3
m3(X) % ; (.1)k
k%0
A B
AB
p%3
3
ak1 ap.k % (.1)0
a01 a3.0 !
k
0
V\\W\\\X
k%0
AB
AB
AB
3
3
3
a11 a3.1! (.1)2
a21 a3.2 ! (.1)3
a31 a3.3
1
2
3
V\\W\\\X
V\\W\\\X V\\W\\\X
! (.1)1
k%1
k%2
k%3
Operando:
m3(X) % a01 a3.0 . 3 a11 a3.1 ! 3 a21 a3.2 . a31 a3.3
m3(X) % a3 . 3 a2 a1 ! 2 a31
Es decir:
I
; x31 ni
m3(X) %
i%1
; x21 ni
.3
i%1
x6 ! 2 x6 3
2.4. Medidas de forma

En este apartado se va a comparar una determinada distribucin de frecuencias
con un modelo ideal, la distribucin Normal (que tiene forma de campana). La
comparacin se centrar, bsicamente, en dos aspectos fundamentales. Por una
parte, en determinar si la distribucin con la que se est trabajando es simtrica,
como la normal, o bien es asimtrica, esto es, se encuentra desplazada hacia un lado. Por otro parte, resulta tambin interesante conocer cmo es la distribucin en
cuanto a su apuntamiento respecto al mencionado modelo ideal. Estas cuestiones
pueden ser resueltas al representar grficamente la distribucin de frecuencias y
observar su forma o, caso de no poder hacer esto, calculando las oportunas medidas, a saber: asimetra y apuntamiento (curtosis).
7 ITES-Paraninfo
48
2.4.1. Medidas de asimetra

En la Figura 2.3 se ha representado la distribucin normal [Grfica (a)]. Puede
observarse como sta es una distribucin simtrica respecto a la media, al doblar
la distribucin por el eje de simetra ambas partes coinciden [Figura 2.3, Grfica (b)]; en caso contrario se dice que la distribucin es asimtrica.
Eje simetra
Eje simetra
Al doblar por el eje de

simetra
x = Me = Mo
x = Me = Mo
Grfica (a)
Grfica (b)
Figura 2.3.
Para medir la asimetra de una distribucin pueden utilizarse diferentes coeficientes, aunque es frecuente obtener el denominado coeficiente de asimetra (de
Fisher), que se denota por g1, y se define como el cociente entre el momento central de orden 3 y la desviacin tpica elevada al cubo. Por tanto, el coeficiente de
asimetra de la variable X vendr dado por:
I
; (xi . x6 )3 ni
i%1
m3(X)
g1(X) % 3 %
SX
N
S3X
de tal forma que si la distribucin es asimtrica g1(X) tomar un valor distinto de

cero, positivo o negativo, tanto mayor (en trminos absolutos) cuanto ms asimtrica sea la distribucin. Si g1(X) % 0 la distribucin puede ser simtrica o no, ser
necesario apoyarse en su representacin grfica (Figura 2.4); ahora bien, si la distribucin es simtrica el coeficiente de asimetra de Fisher siempre ser cero.
Puede observarse que, cuando los valores de la variable ms frecuentes son los
mayores y la distribucin presenta una cola a la izquierda, sta es asimtrica negativa. En cambio, cuando los valores ms comunes de la distribucin son los menores, cola hacia la derecha, sta es asimtrica positiva.
En distribuciones unimodales y campaniformes, como las representadas en la
Figura 2.4, se cumple que x6 a Me a Mo cuando la distribucin es asimtrica negativa y Mo a Me a x6 cuando es asimtrica positiva.
7 ITES-Paraninfo
49
Distribucin asimtrica negativa;

cola ms larga a la izquierda de la moda
g1 (X) < 0
x
Mo
Distribucin simtrica
g1 (X) = 0
x = Me = Mo
Distribucin asimtrica positiva;

cola ms larga a la derecha de la moda
g1 (X) > 0
Mo
Figura 2.4.
Ejemplo 2.18 A partir de las calificaciones en estadstica de 50 estudiantes universitarios de primer curso se han obtenidos los siguientes estadsticos:
I
; x2i ni % 2.553
; xi ni % 345
i%1
i%1
; x 31ni % 19.821
i%1
Es simtrica la distribucin de las calificaciones obtenidas en esta asignatura?

Solucin
El coeficiente de asimetra se define como el cociente entre el momento central
de tercer orden y el cubo de la desviacin tpica.
En primer lugar se calcular x6 y SX y a continuacin m3(X) a partir de la expresin dada en la solucin del Ejemplo 2.17.
I
; xi ni
i%1
x6 %
N
SX % ! S2X %
345
% 6,9
50
; x 2i ni
i%1
. x6 2 %
2.553
. 6,92 r SX % 1,85741756 ] 1,857
50
; x 3i ni
m3(X) %
i%1
; x 2i ni
.3
i%1
x6 ! 2 x6 3 %
19.821
2.553
.3
6,9 ! 2 6,93
50
50
50
m3(X) .3,504
%
].0,547.
S3X
1,8573
Es decir, la distribucin de las calificaciones obtenidas en la asignatura de estadstica es asimtrica negativa, como puede verse en la Figura 2.6, en el Ejemplo 2.19, donde se representa grficamente.
Resolviendo, m3(X) %.3,504. Por tanto, g1(X)%
2.4.2. Medidas de apuntamiento (curtosis)

Las medidas de apuntamiento analizan si una distribucin de frecuencias es
ms apuntada o menos al comparar sta con una distribucin tipo, la distribucin
Normal (vase Figura 2.5) con su misma media y varianza.
El hecho de que una distribucin sea muy apuntada, o poco, depender de la
cantidad de valores de la variable que se encuentren en torno a la zona central y se
agrupen alrededor de la media aritmtica. Una medida que permite conocer este
grado de apuntamiento es el coeficiente de curtosis, que se denota por g2, y que se
define, en este caso para una variable X, como:
g2(X) %
m4(X)
.3
S4X
En la expresin anterior se resta el valor 3, puesto que en la distribucin Norm4

mal, que se toma como referencia a la hora de realizar la comparacin, 4 % 3.
S
Si g2(X) b 0, la distribucin es leptocrtica, ms apuntada que la Normal.
g2(X) % 0, la distribucin es mesocrtica, igual de apuntada que la Normal.
g2(X) a 0, la distribucin es platicrtica, ms achatada que la Normal.
Leptocrtica
Mesocrtica
Platicrtica
Figura 2.5.
Ejemplo 2.19 En la Figura 2.6 se representa la distribucin de frecuencias correspondiente al Ejemplo 2.18.
7 ITES-Paraninfo
51
N. alumnos
Distribucin
Normal
5 6 7 8
Calificaciones
10
Figura 2.6.
Qu puede decir acerca de su apuntamiento o aplastamiento? Qu coeficiente

de curtosis cabe esperar?
Solucin
Sobre el diagrama de barras de las calificaciones obtenidas en estadstica por
los 50 estudiantes universitarios consultados, se ha dibujado la distribucin normal
ajustada a esta distribucin de media (x6 % 6,9) y desviacin tpica (Sx % 1,857). Al
comparar ambas se puede intuir que la distribucin de las calificaciones es ligeramente ms apuntada que la normal, por ello cabe esperar un coeficiente de curtosis
positivo (leptocrtica).
2.5. Transformaciones lineales y tipificacin

de variables
Supngase que, en principio, se est trabajando con la distribucin de frecuencias de una variable estadstica X, de la que se ha obtenido una serie de estadsticos
(media, varianza, etc,) y que por cualquier circunstancia es necesario pasar a trabajar con otra variable estadstica Y, que se obtiene a partir de la anterior como resultado de:
Sumar (o restar) una constante a a todos los valores de la variable estadstica X, es decir, de efectuar sobre sta un cambio de origen: Y % X ! a o
Y % X . a.
7 ITES-Paraninfo
52
Multiplicar (o dividir) por una constante b todos los valores de la variable

X, es decir, de realizar sobre X un cambio de unidad (o escala): Y % b X o
X
Y% .
b
Practicar sobre la variable X tanto un cambio de unidad como de origen,
por ejemplo: Y % b X ! a.
Pues bien, para obtener aquellas mismas medidas conocidas para la nueva variable Y no es necesario crear su distribucin de frecuencias y realizar de nuevo todos los clculos que se efectuaron en su momento para la variable X. Es suficiente
con conocer cmo afectan los cambios de origen y unidad a los distintos estadsticos y recurrir a la transformacin lineal empleada para obtener Y a partir de X
(vase Tabla 2.1).
En la Tabla 2.1, y para algunas transformaciones lineales tipo, a partir de los
estadsticos x6 , S2x , g0(X), g1(X), g2(X) y mp(X) de la variable estadstica X, que se
suponen conocidos, se muestran estas mismas medidas para la variable Y.
Tabla 2.1.
Estadstico (medida)
Transformacin
Cambio unidad
Y%bX
Cambio origen
Y%X!a
Cambio origen y unidad

Y%bX!a
Media
y6 % b x6
(depende)
y6 % x6 ! a
(depende)
y6 % b x6 ! a
Varianza
S2Y % b2 S2X
(depende)
S2Y % S2X
(no depende)
S2Y % b2 S2X
Coeficiente
Variacin
g0(Y) % g0(X)
(no depende)
SX
x6 ! a
(depende)
Coeficiente
Asimetra
g1(Y) % g1(X)
(no depende)
g1(Y) % g1(X)
(no depende)
g1(Y) % g1(X)
Coeficiente
Curtosis
g2(Y) % g2(X)
(no depende)
g2(Y) % g2(X)
(no depende)
g2(Y) % g2(X)
mp(Y)%mp(X)
(no depende)
mp(Y)%bp mp(X)
Momento
mp(Y)%bp mp(X)
central orden p
(depende)
g0(Y) %
g0(Y) %
b SX
b x6 ! a
Ejemplo 2.20 Determinar la media, varianza y coeficiente de variacin de Pearson de

1
la variable estadstica Y, que es obtenida como Y % X ! 2, sabiendo que x6 % 17
4
y S2X % 4.
7 ITES-Paraninfo
53
Solucin
La variable Y es obtenida al aplicar, sobre la variable X, un cambio de escala
(b % 1/4) y un cambio de origen (a % 2).
La media depende tanto de los cambios de origen como de unidad, ambos deben ser tenidos en cuenta a la hora de calcular la media de la variable Y, as:
1
y6 % b x6 ! a % 17 ! 2 r y6 % 6,25
4
La varianza (en general todos los momentos centrales) nicamente depende de
los cambios de unidad, siendo invariante ante cambios de origen, por tanto:
S2Y % b2 S2X %
AB
1
4
4 r S2Y % 0,25
El coeficiente de variacin de Pearson es invariante ante cambios de unidad,

pero no a los de origen; de forma que caso de existir este ltimo queda afectado
por ambos.
SY
b SX
(1/4) 2
%
r g0(Y) % 0,08
g0(Y) % %
6y
6
b x ! a (1/4) 17 ! 2
Por otra parte, tipificar una variable consiste en obtener, a travs de una
transformacin lineal especial, otra variable con media y desviacin tpica (o varianza) prefijada. Esto es, tipificar una variable X, con media x6 y desviacin tpica
SX, consiste en transformar sta en otra Z con media z6 y desviacin tpica SZ. La
variable Z se dice que es la variable tipificada de X.
En general, si el objetivo es conseguir una variable tipificada Z con media
z6 % m y SZ % k, la transformacin lineal a realizar ser:
Z%k
A B
X . x6
!m
SX
El caso de tipificacin ms utilizado se conoce como tipificacin estndar, y

consiste en transformar la variable X en otra variable Z, con media 0 y desviacin
tpica 1. En este caso, la transformacin lineal consiste en restar al valor de la variable la media y dividir entre la desviacin tpica, de esta forma, la variable resultante Z, ser:
X . x6
con z6 % 0 y SZ % 1
Z%
SX
Si el coeficiente de variacin de Pearson es empleado para comparar la dispersin entre dos o ms distribuciones, la tipificacin resulta til cuando se quiere
comparar individuos o cantidades que en principio no son comparables, bien porque provienen de poblaciones diferentes, bien porque aluden a conceptos distintos.
7 ITES-Paraninfo
54
En este sentido, los valores tipificados que son obtenidos indican la distancia a la
que se encuentran cada uno de ellos respecto a la media, distancia que es medida
en trminos de desviaciones tpicas. Por tanto, fcilmente puede compararse la posicin relativa de cada valor.
Ejemplo 2.21 En la seccin de pintura de un taller de reparaciones trabajan tres personas. Sus salarios son de 900, 950 y 1.000 e. Obtener los salarios tipificados a media cero y desviacin tpica 1.
Solucin
La media y desviacin tpica de los salarios ser:
3
; xi
i%1
%
x6 %
N
SX % !
900 ! 950 ! 1.000

r x6 % 950
3
; x 2i
i%1
. x6 2 %
9002 ! 9502 ! 1.0002

. 9502 r SX ] 40,825
3
Una vez obtenidas x6 y SX pueden determinarse los valores tipificados:

z1 %
x1 . x6 900 . 950
%
r z1 ] .1,225
40,825
SX
z2 %
x2 . x6 950 . 950
%
r z2 ] 0
40,825
SX
z3 %
x3 . x6 1.000 . 950
%
r z3 ] 1,225
40,825
SX
x1
x2
Sz
1,225 = z1 1
x3
Sz
z = z2 = 0
1 z3 = 1,225
Figura 2.7.
Puede comprobarse que z6 %0 y SZ %1. Los valores z1 y z3 , que se corresponden con los salarios de 900 y 1.000 e, respectivamente, se encuentran a 1,225 desviaciones tpicas de la media, es decir, se encuentran a la misma distancia de sta.
7 ITES-Paraninfo
55
2.6. Medidas de concentracin: curva de Lorenz

e ndice de Gini
Las medidas de concentracin, que no se deben confundir como opuestas a las
medidas de dispersin, indican el mayor o menor grado de igualdad (o equidistribucin) en el reparto total de los valores de la variable objeto de estudio.
La concentracin puede determinarse grficamente a travs de la curva de
Lorenz. Una medida analtica para la concentracin es el conocido como ndice de
Gini.
2.6.1. Curva de Lorenz

Mediante la curva de Lorenz (vase Figura 2.8) se relaciona el porcentaje acumulado de frecuencias (pi) hogares, familias, individuos, trabajadores, industrias, etc., que se representa en el eje de abscisas, con el porcentaje acumulado
del volumen total de la variable (qi) ingresos, ventas, renta, producto interior
bruto, etc. que le corresponde, que se representa en el eje de ordenadas. Dicha
curva, que comienza en el punto (0, 0) y finaliza en el (100, 100), es creciente por
representar porcentajes acumulados y se encuentra situada por debajo de la bisectriz al ser pi n qi O i.
2.6.2. ndice de Gini

El ndice de Gini, que se denota por IG, es aproximadamente el cociente entre
el rea comprendida entre la bisectriz del primer cuadrante y la curva de Lorenz y
el tringulo OPQ (vase Figura 2.8).
(% acumulado volumen total variable)
Q
qi
Bisectriz
Curva Lorenz
pi P
O
(% acumulado de frecuencias)
Figura 2.8.
7 ITES-Paraninfo
56
A nivel prctico suele utilizarse, como aproximacin, la siguiente expresin:

I.1
; (pi . qi)
IG %
i%1
I.1
; pi
i%1
La ventaja del ndice de Gini es que proporciona una medida cuantitativa de la

concentracin. ste puede tomar valores comprendidos entre 0 y 1, es decir,
0 m IG m 1, de tal forma que si IG % 0 existe equidistribucin (o no concentracin), producindose una concentracin mxima cuando IG % 1. Por tanto, cuanto
ms prximo a cero se encuentre el ndice de Gini, menor ser el grado de concentracin.
Relacionando curva de Lorenz e ndice de Gini (vase Figura 2.9), cuanto menor sea este ltimo, menor ser el rea comprendida entre la bisectriz y la curva de
Lorenz. En el caso que la concentracin sea mnima (IG % 0), la curva de Lorenz
coincide con la bisectriz, lo que indica que a un porcentaje acumulado de individuos le corresponde ese mismo porcentaje acumulado del volumen total de la variable (pi % qi O i).
Q
IG = 0
0 < IG < 1
IG = 1
Figura 2.9.
En caso de mxima concentracin (IG % 1), la curva de Lorenz coincide con el

tringulo OPQ. En este caso extremo, un solo individuo, el ltimo, concentra el
volumen total de variable, no encontrndose nada en manos de los restantes
(N . 1) individuos.
2.6.3. Haciendo operativo el ndice de Gini

y la curva de Lorenz
Para poder representar la curva de Lorenz y obtener el ndice de Gini, es necesario calcular los porcentajes acumulados de individuos y del volumen total de la
7 ITES-Paraninfo
57
variable. Para ello, lo ms prctico consiste en aadir columnas a la tabla de frecuencias original, tal y como se muestra en la Tabla 2.2.
Tabla 2.2.
(a)
(b)
(c)
Volumen
Volumen
acumulado
Porcentaje
acumulado
individuos
Porcentaje
acumulado
de volumen
Diferencia
xi
ni
Ni
mi (a)
Mi
pi %
Ni
100
N
qi %
Mi
100
M
pi . qi
x1
n1
N1
m1
M1
p1 %
N1
100
N
q1 %
M1
100
M
p1 . q1
x2
n2
N2
m2
M2
p2 %
N2
100
N
q2 %
M2
100
M
p2 . q2
xI
nI
NI (b)
mI
MI (c)
pI % 100
qI % 100
pI .qI %0
Si no es facilitada informacin sobre el volumen (mi), por ejemplo masa salarial, sta puede ser estimada de la
siguiente forma: mi % xi ni .
Total de individuos NI % N.
Volumen total de la variable MI % M.
Ejemplo 2.22 Las horas de formacin recibidas a lo largo del ltimo ao por los 40
directivos de distinto nivel, de la filial espaola de una compaa multinacional, se
recogen en la siguiente tabla.
Horas formacin
xi
Nmero directivos
ni
20
20
30
10
40
50
Representar la curva de Lorenz y calcular el ndice de Gini.

Solucin
Confeccionando una tabla similar a la Tabla 2.2.
7 ITES-Paraninfo
58
Ni
mi%xi ni
Mi
20
20
20
400
400
50
34,78
15,22
30
10
30
300
700
75
60,87
14,13
40
35
200
900
87,5
78,26
9,24
50
40(b)
250
1.150(c)
(b)
(c)
qi %
Mi
100 (a)
MI
ni
(a)
pi%
Ni
100
N
xi
100
pi .qi
100
Los resultados han sido redondeados a dos nmeros decimales para facilitar los clculos.
Total directivos.
Total de horas dedicadas a formacin de directivos.
Representando el punto (0, 0) y los distintos pares (pi , qi), esto es, (p1 % 50,
q1 % 34,78); (p2 % 75, q2 % 60,87); (p3 % 87,5, q3 % 78,26); la curva de Lorenz se
obtiene al unir los puntos mediante segmentos.
% acumulado volumen horas
Curva de Lorenz
100,00
90,00
80,00
70,00
60,00
50,00
40,00
30,00
20,00
10,00
(100; 100)
(87,5; 78,26)
(75; 60,87)
(50; 34,78)
(0,0)
20
40
60
60
100
% acumulados de individuos
Figura 2.10.
En cuanto al ndice de Gini:

4.1
; (pi.qi)
IG%
i%1
4.1
(p1.q1)!(p2.q2)!(p3.q3) 15,22!14,13!9,24
%
]0,1816
p1!p2!p3
50!75!87,5
i%1
es decir, el nmero de horas de formacin destinadas a los diferentes niveles directivos en esta filial estn relativamente bien repartidas.
7 ITES-Paraninfo
59
Cuestiones de autoevaluacin
2.1 En un total de 10 empresas de un determinado sector de actividad se ha observado
el nmero de empleados, obtenindose los valores siguientes: 15, 21, 22, 26, 32,
35, 40, 50, 54, 1.000, donde x6 % 129,5 y Me % 33,5.
Qu medida de posicin es preferible utilizar como resumen del conjunto de
datos de la variable?
a) La media aritmtica, porque es la medida de posicin central por excelencia y
siempre que se conozca se debe utilizar sta.
b) La mediana, porque como existe un valor muy alejado del resto, la media es
poco representativa del conjunto de valores de la distribucin.
c) Es indiferente.
d) Ninguna de las anteriores es correcta.
2.2 Se estudian los salarios que perciben los empleados de una empresa. El menor de
los salarios es de 600 e/mes y el mayor de 2.400 e/mes. Cul de los siguientes
resultados puede ser cierto?
a)
b)
c)
d)
x6 % 1.200 e, SX % 0 e
x6 % 1.000 e, SX % 200 e
x6 % 500 e, SX % 200 e
x6 % 1.200 e, SX % .150 e
2.3 Se invierten 12.000 e a plazo fijo durante dos aos. El primer ao el capital se incrementa en un 3% y el segundo en un 12% acumulativo. El inters o incremento
medio anual es:
a) 7,5 %.
b) 7,406 %
c) 4,8 %
2.4 Si el coeficiente de asimetra de una variable X es 4, y se realiza una transformacin lineal de la forma Y % 50 ! 60X, cul es el coeficiente de asimetra de la
nueva variable?
a)
b)
c)
d)
El coeficiente de asimetra vale 24.

No se puede obtener el coeficiente de asimetra de Y a partir de la informacin
de la que se dispone.
7 ITES-Paraninfo
60
2.5 Supngase una variable estadstica X tal que x6 % 31 y S2X % 35. Si se realizase un
cambio de variable aplicando la transformacin Y % 10 ! 5X, entonces:
a) y6 % 165 y S2Y % 875
b) y6 % 165 y S2Y % 35
c) y6 % 155 y S2Y % 875
d) y6 % 155 y S2Y % 35
2.6 Una empresa de componentes electrnicos dispone de tres plantas de produccin
(A, B y C) con 100, 150 y 200 operarios de fabricacin respectivamente. Si el nmero medio mensual de unidades producidas por cada empleado en la planta A es
de 2.000, en la planta B de 2.500 y en la planta C de 1.750, cal es el nmero
medio mensual de unidades producidas por cada operario para el global de la empresa?
a)
2.000 ! 2.500 ! 1.750

] 13,89
100 ! 150 ! 200
b)
(2.000 100) ! (2.500 150) ! (1.750 200)

% 148
2.000 ! 2.500 ! 1.750
c)
100 ! 150 ! 200

] 0,072
2.000 ! 2.500 ! 1.750
d)
(2.000 100) ! (2.500 150) ! (1.750 200)

] 2.055,56
100 ! 150 ! 200
2.7 Dados los siguientes momentos referentes a una variable estadstica:

a1 % 63, a2 % 4.219,
a3 % 296.867,
m3 % .430,
m4 % 110.024
Se puede decir que la distribucin de frecuencias es:

a) Simtrica y leptocrtica.
b) Asimtrica por la izquierda y platicrtica.
c)
Asimtrica por la derecha y platicrtica.
d) Asimtrica por la izquierda y leptocrtica.

2.8 Para que una distribucin simtrica con desviacin tpica igual a 3 sea mesocrtica, cul debe ser el valor del momento central de orden 4?
a) Igual a 243.
b) Mayor a 243.
c)
Menor a 243.
d) No se puede calcular el valor de m4.

7 ITES-Paraninfo
61
2.9 Dada una variable estadstica X con media x6 % 25 y desviacin tpica SX % 3, qu

transformacin debera realizarse para que la variable tipificada tuviese media 5 y
desviacin tpica 2?
a) Z %
X . 25
3
b) Z %
X
5
c)
Z%2
X . 25
!5
3
d) nicamente pueden obtenerse variables tipificadas con media cero y desviacin tpica 1.
2.10 Si el ndice de Gini vale 1, se puede afirmar que:
a)
b)
c)
d)
No existe concentracin, los valores de las variables estn equidistribuidos.

La curva de Lorenz coincide con la diagonal principal.
La curva de Lorenz coincide con los lados del cuadrado, formando un tringulo.
Tanto la opcin a) como la c) son ciertas.
Ejercicios propuestos
2.1 Se ha preguntado a 9 empresas por el nmero de personas que emplean, siendo sus
respuestas:
50, 56, 60, 75, 80, 85, 88, 90, 100
Calcular la media aritmtica, mediana y moda.
2.2 A 15 personas que guardaban cola para entrar al museo de El Prado se les ha
preguntado por el nmero de veces que han visitado previamente la pinacoteca,
siendo las respuestas obtenidas:
0, 1, 1, 2, 0, 5, 3, 2, 4, 4, 0, 1, 0, 0, 1
Calcular la media aritmtica, mediana y moda.
2.3 Cierta empresa ha incrementado el salario a sus empleados en los ltimos cinco
aos en un 1, 2, 3, 4 y 5% acumulativo. Si un trabajador empez con un salario
1.000 e, calcular:
a) El incremento medio anual aplicado en estos cinco aos.
b) El salario a cobrar cinco aos despus.
7 ITES-Paraninfo
62
2.4 Dada la siguiente tabla estadstica:

Intervalo
[10 , 20[
[20 , 140[
[140 , 180]
ni
9
31
10
Calcular la media, el intervalo donde est contenida la mediana y el intervalo modal.

2.5 En la siguiente distribucin de frecuencias se recoge el consumo de gas (en m3),
entre los meses de diciembre-enero, de una comunidad de 100 viviendas.
Consumo de gas
[5 , 9[
[9 , 15[
[15 , 25[
[25 , 50[
[50 , 80]
Viviendas
5
25
50
15
5
Obtener la media aritmtica, el intervalo donde est contenida la mediana y el

intervalo modal de la distribucin de consumo de gas.
2.6 Las siguientes cuatro muestras de datos tienen la misma media:
a)
b)
c)
d)
4
1
1
1
4 4 4 4 4 4
1 1 1 1 3 20
2 3 4 5 6 7
1 2 4 4 8 8
Ordenar el posible valor de sus varianzas (dispersin) de menor a mayor, pero sin
realizar ningn clculo. Despus comprobar el resultado calculando dichas varianzas.
2.7 Inspeccionadas un total de 40 planchas, el nmero de defectos (obstruccin del
pulverizador, funcionamiento incorrecto del termostato, etc.) encontrados por el
departamento de calidad ha sido:
Defectos
0
1
2
3
Planchas
10
25
4
1
Obtener el nmero medio de defectos y la varianza de estos.

7 ITES-Paraninfo
63
2.8 El propietario de una tienda de electrodomsticos, tras un descenso en las ventas

del ltimo trimestre, observa el nmero de clientes que entran en su establecimiento a lo largo de quince das:
5, 8, 4, 2, 3, 5, 7, 6, 3, 4, 4, 9, 8, 5, 5
Calcular la media y la desviacin tpica.
2.9 Una Universidad tiene dos bibliotecas. La informacin disponible de la variable
Gasto dedicado a la compra de libros entre los aos 1998 y 2002, en cada una de
las bibliotecas, ha sido el siguiente:
Biblioteca A
Gasto (miles de euros)
8 10 15 20
Biblioteca B
a1 %12 (miles de euros)
a2 % 159 (miles de euros)2
En cul de las dos bibliotecas ha habido menor dispersin en el gasto destinado a

la compra de libros?
2.10 Los directores de produccin y recursos humanos han estudiado el absentismo laboral en dos clulas de produccin. En la clula A el nmero medio de horas perdidas result ser de 120 horas, con una desviacin tpica de 36 horas. En la clula B
el absentismo medio se cuantific en 80 horas de trabajo, con una desviacin tpica
de 30 horas.
En qu clula de produccin hay mayor dispersin relativa en el nmero de
horas perdidas?
2.11 Una compaa, perteneciente a un grupo de grandes empresas (Grupo A), presenta
un beneficio anual de 3,5622 millones de euros. Asimismo, el beneficio anual de
un comercio, perteneciente a una agrupacin de pequeas empresas (Grupo B), es
de 32.280 euros. Si las medias y desviaciones tpicas de los beneficios anuales de
las empresas pertenecientes a cada uno de esos grupos han sido:
Grupo A
Grupo B
x6 A % 3,1580 millones de euros
x6 B % 25.420 e
SA % 0,5389 millones de euros
SB % 6.860 e
Cul de las dos empresas presenta un beneficio anual relativo mayor, la compaa o el comercio?
7 ITES-Paraninfo
64
2.12 Se tiene informacin acerca del nmero de goles por partido marcados en dos ligas
europeas:
Liga de ftbol A: Media 3,5 goles y varianza 1,34.
Liga de ftbol B: Media de 2,5 goles y varianza 1,88.
a) En qu liga europea hubo una mayor dispersin relativa?
b) Si en un partido jugado en la liga A el resultado fue 2-0 y en otro partido de la
liga B el resultado fue 1-1. En qu partido el nmero de goles fue relativamente mayor?
2.13 Dos empresas del sector qumico, A y B, han recogido informacin sobre el nmero de accidentes laborales al mes con baja laboral que se ha producido durante un
determinado periodo de tiempo, obteniendo los siguientes resultados:
Empresa A: x6 A % 9
Empresa B: x6 B % 12
S2A % 2,2857
SB % 1,51
Si durante un mes determinado, en la empresa A ha habido 7 accidentes con baja y

en la empresa B se han producido 10 accidentes con baja, en qu empresa el nmero de accidentes con baja ha sido relativamente mayor?
2.14 Expresar el momento central de orden 4 en funcin de los momentos ordinarios.
2.15 A partir de la siguiente distribucin de frecuencias:
xi
1
2
3
4
5
ni
2
5
10
5
2
Obtener los coeficientes de asimetra y curtosis, y decir cmo es la forma de la distribucin.

2.16 Para una distribucin se sabe que x6 % 25, S2X % 9 obtener la media, varianza y coeficiente de variacin de la variable Y si:
a) Y % X ! 4
b) Y % 2X
c) Y % 2X ! 4
2X . 4
d) Y %
2
7 ITES-Paraninfo
65
2.17 De un estudio realizado en dos poblaciones acerca del tiempo diario (en minutos)
que los nios de 4 a 10 aos dedican a ver la televisin, se han obtenido los siguientes resultados: en la poblacin A dedican una media diaria de 90 minutos con
una varianza de 144, mientras que en la poblacin B la media diaria es de 75 minutos con una varianza de 100.
a) En qu poblacin es mayor la dispersin relativa?
b) Un nio de la poblacin A dedica 82 minutos diarios a ver televisin y otro de
la poblacin B dedica 75 minutos. En trminos relativos, qu nio dedica
ms tiempo a ver televisin?
2.18 La evolucin de la variable X: Siniestralidad de automviles (millones de euros)
en los ltimos 6 aos ha sido, aproximadamente, la que se recoge a continuacin:
Ao
Siniestralidad
1995
4.000
1996
4.500
1997
4.750
1998
5.000
1999
5.250
2000
6.000
Calcular la media, desviacin tpica y coeficiente de variacin de Pearson de la vaX . 3.000

riable X a partir del clculo de dichos estadsticos para la variable U %
.
500
2.19 En una empresa hay una seccin dedicada a la fabricacin de un tipo especial de
piezas. La variable X: Nmero de piezas fabricadas al da por un trabajador, presenta los siguientes momentos:
a1 % 140
m2(X) % 225
m3(X) % .830
m4(X) % 147.830
Asimismo, el Salario diario de los trabajadores (variable Y) se compone de 21

euros fijos ms una prima de 30 cntimos por pieza producida. Determinar:
a) Los coeficientes de asimetra y apuntamiento de la variable X, comentando la
forma aproximada que tendr la distribucin de esta variable.
b) La media y la desviacin tpica de la variable Y. Qu forma tendr la distribucin de esta variable? Justifica las respuestas.
7 ITES-Paraninfo
66
2.20 Observar las curvas de Lorenz representadas a continuacin:

A
Cul de las dos situaciones representa una distribucin ms equitativa?
Problemas resueltos
2.1 Una empresa de plsticos se dedica a la realizacin de piezas para vehculos de una
determinada marca. La distribucin del nmero de piezas que realizan los 250 trabajadores en una hora es la siguiente:
Nmero de piezas
10
Trabajadores
26
11
34
12
13
60
62
14
15
40
28
a) Calcular el nmero medio de piezas terminadas en una hora, la mediana y la

moda.
b) Determinar el primer y el tercer cuartil.
c)
Obtener la varianza de las piezas, la desviacin tpica y el coeficiente de variacin de Pearson.
2.2 Un grupo de expertos lleva a cabo una cata de aceites. A continuacin se facilita la
distribucin de frecuencias correspondiente a las calificaciones obtenidas por los
aceites de oliva procedentes de 150 almazaras:
7 ITES-Paraninfo
Puntuacin
Nmero de aceites
[0 , 4[
40
[4 , 5[
12
[5 , 7[
67
[7 , 9[
22
[9 , 10]
67
a) Calcular la calificacin media obtenida en la cata por el conjunto de los aceites evaluados.
b) Obtener los intervalos donde estn contenidas la mediana y la moda.
c)
Calcular la desviacin tpica de la distribucin y el coeficiente de variacin de

Pearson.
d) Explicar la forma de la distribucin de frecuencias sabiendo que los coeficientes de asimetra y curtosis son respectivamente g1 % .0,2 y g2 % .0,88.
2.3 Sea X la variable estadstica que expresa el salario mensual de los trabajadores de
una empresa de la construccin (datos en euros), y de la que es conocida su media
x6 % 1.008 y su varianza S2X % 90.000.
Si se definen las siguientes variables:
Y: Deduccin en las nminas de los trabajadores para la Seguridad Social y
Mutualidad. Esta consiste en deducir un 9,5% del salario ms 15 euros fijos.
Z: Deduccin en las nminas de los trabajadores por retenciones del I.R.P.F.
Esta consiste en deducir un 18% del salario.
Calcular la media y la varianza de las variables estadsticas Y y Z. Cul presenta
una mayor dispersin relativa?
2.4 El volumen de ventas mensuales de 30 empresas se distribuye como sigue:
Ventas mensuales
(en miles de euros)
Nmero
de empresas
Volumen
de ventas
[15 , 20[
140
[20 , 25[
145
[25 , 30[
130
[30 , 35[
125
[35 , 40]
210
Obtener el ndice de Gini y la curva de Lorenz.

7 ITES-Paraninfo
68
Problemas propuestos
2.5 Durante el pasado fin de semana, dos agencias de viajes han presentado el siguiente movimiento en la venta de billetes de avin.
Importe billete (e)
340
425
700
750
800
930
Agencia 1
Nmero de billetes
3
2
2
1
1
1
Agencia 2
Nmero de billetes
1
2
4
4
3
1
a) Obtener la media, mediana y moda del importe obtenido por la venta de billetes en cada una de las agencias.
b) En qu agencia ha sido mayor la dispersin en el importe de los billetes vendidos?
2.6 Una empresa multinacional americana tiene una fbrica en Valencia. Se realiza un
estudio sobre los salarios mensuales (en cientos de euros) de los empleados de dicha empresa, ofreciendo los siguientes resultados:
Salario
[3 , 6[
[6 , 9[
[9 , 12[
[12 , 18[
[18 , 20]
ni
22
54
20
15
9
a) Calcular los salarios medios de la empresa.

b) Qu porcentaje de trabajadores tiene un sueldo superior a 12 (cientos de e)
mensuales?
c)
Si se conocen los siguientes datos correspondientes a los salarios mensuales

(cientos de $) de otra empresa que est situada en Estados Unidos:
y6 % 8,61
SY % 4,5133
Cul de las dos empresas es la que presenta una mayor dispersin relativa?
7 ITES-Paraninfo

Analisis de Datos Unidimension

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis de Datos Unidimension

Cargado por

Copyright:

Formatos disponibles

24

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

a) Determinar la variable objeto de estudio as como su dominio.

a) Determinar la variable objeto de estudio.

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

2.1. Medidas de posicin

2.1.1. Media aritmtica(1)

x1n1 ! x2n2 ! ! xI nI i%1

ANLISIS DE DATOS UNIDIMENSIONALES

Si la distribucin de frecuencias con la que se trabaja es de datos agrupados,

Cul es el nmero medio de alumnos matriculados?

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

En este sentido se dice que la media no es un estadstico (medida) robusto.

ANLISIS DE DATOS UNIDIMENSIONALES

25 ! 30 ! 500 ! 545 1.100

La suma de las desviaciones de todos los valores de la variable respecto a

3. Depende de los cambios de origen y de unidad (vase Apartado 2.5).

x6 1N1 ! x6 2N2 ! x6 3N3 3 6 ! 5 8 ! 2 6

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

2.1.2. Media armnica y geomtrica

En el caso particular de que las frecuencias fuesen unitarias, esto es, ni % 1 O i,

log Mg % ; log (xi)

ANLISIS DE DATOS UNIDIMENSIONALES

Distribucin de frecuencias unitarias

Si el nmero de observaciones es impar, el valor de la mediana coincidir con

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

Distribucin de frecuencias no unitarias

ANLISIS DE DATOS UNIDIMENSIONALES

Ejemplo 2.7 Obtener la mediana de la siguiente distribucin de frecuencias.

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

2.1.3.2. Distribuciones de frecuencias agrupadas

Determinar el intervalo mediano.

ANLISIS DE DATOS UNIDIMENSIONALES

Obtener la moda del nmero de horas de estudio.

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

2.1.4.2. Distribuciones de frecuencias de valores agrupados

As pues, la moda estar contenida en el intervalo [16 , 20[.

ANLISIS DE DATOS UNIDIMENSIONALES

Cul es la retribucin ms frecuente en esta rea funcional?

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

Moda 2: Mo % 1.000 ! 400

ANLISIS DE DATOS UNIDIMENSIONALES

El procedimiento de clculo es anlogo al estudiado en el caso de la mediana,

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

Ejemplo 2.14 Dada la siguiente tabla de frecuencias:

Obtener el segundo cuartil, el cuarto decil y nonagsimo percentil.

El segundo cuartil (C2) es el valor de la variable que deja a su izquierda, esto es

por tanto, como N2 a

Obsrvese que el valor del segundo cuartil coincide con el de la mediana. De

ANLISIS DE DATOS UNIDIMENSIONALES

2.2. Medidas de dispersin

2.2.2. Varianza y desviacin tpica

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

Con la varianza se pretende medir la dispersin que presentan los valores de la

De la definicin de varianza se desprende que sta nunca puede ser negativa

siendo la cuasidesviacin tpica, S*X % ! S*X2

ANLISIS DE DATOS UNIDIMENSIONALES

(xi .x6 )ni

(xi .x6 )2ni

La desviacin tpica es: SX % ! S2X % 12,8 ] 3,58 anuncios.

La cuasidesviacin tpica es: S*X % SX*2 % 16 % 4 anuncios.

; (xi . x6 ) ni % 0 , tal y como se indic en la primera propiedad de la media aritmtica.

ESTADSTICA DESCRIPTIVA Y NOCIONES DE PROBABILIDAD

2.2.3. Coeficiente de variacin de Pearson

siendo la cuasidesviacin tpica, SX % ! SX2

La cuasidesviacin tpica es: SX % SX2 % 16 % 4 anuncios.