TEMA 1.

ESTADSTICA DESCRIPTIVA

1.1 Introduccin: conceptos bsicos

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

1
 1.1. Introduccin : conceptos bsicos

ESTADSTICA: Estudio de los mtodos de recogida

y descripcin de datos, as como del anlisis de esta
informacin

Etapas de un estudio estadstico

1 Recogida de datos
2 Ordenacin, tabulacin y grficos*
3 Descripcin de caractersticas*
4 Anlisis formal

* Estadstica descriptiva: parte de la

estadstica que se ocupa de las etapas 2 y 3

Individuo, Poblacin, Muestra

Poblacin: Conjunto de elementos a los que se les

estudia una caracterstica
Individuo: Cada uno de los elementos de la poblacin
Muestra: Subconjunto representativo de la poblacin

2
 Variables estadsticas. Modalidades

Variable estadstica (v.e.): Caracterstica propia

del individuo objeto del estudio estadstico

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

Modalidad: Cada una de las posibilidades o

estados diferentes de una variable estadstica
Exhaustivas e incompatibles

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

3
 Tipos de variables estadsticas

Cualitativas: Las caractersticas no son cuantificables

Ejemplos:
Profesin
Color del pelo

Cuantitativas: Caractersticas cuantificables o numricas

9 Discretas: Numricas numerables

Ejemplos:
N de hijos
N de viviendas

9 Continuas: Numricas no numerables

Ejemplos:
Talla
Peso
Nivel de colesterol
4
 1.2. Tablas estadsticas y representaciones
grficas

Variables discretas

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

Absolutas, ni
xi ni Ni fi Fi
Absolutas
x1 n1 N1 f1 F1 acumuladas, Ni
... ... ... ... ...
xi ni Ni fi Fi
... ... ... ... ... Relativas
f i = ni / n
xk nk Nk fk Fk
n 1 Relativas
acumuladas
Fi = Ni / n
5
 Variables continuas: Intervalos

Intervalo Ii xi ni Ni fi Fi
eo- e1 x1 n1 N1 f1 F1
... ... ... ... ... ...
ei-1- ei xi ni Ni fi Fi
... ... ... ... ... ...
ek-1- ek xk nk Nk fk Fk
n 1

Marca de clase xi (punto medio de cada intervalo)

Amplitud ai (distancia entre los extremos)
Extremos [ ... )

6
 Grficos estadsticos

V. e. Cualitativas: Grfico rectangular

Color Plumaje N de Aves (ni)

Negro 10
Gris 14
Blanco 20
Rojo 6
Violeta 4

20

10

Negro Gris Blanco Rojo Violeta

7
 V. e. Cualitativas: Grfico de sectores

Color Plumaje N de Aves (ni)

Negro 10
Gris 14
Grados
Blanco 20 de cada
Rojo 6 sector = 360 fi

Violeta 4

violeta

rojo negro

gris
blanco

8
 V. e. Discretas: Grfico de barras

N de cras N animales: n fi Fi
i
2 20 0.20 0.20
3 30 0.30 0.50
4 25 0.25 0.75
5 15 0.15 0.90
6 10 0.10 1
n = 100

35

30

25

20

15

10

0
2 3 4 5 6

9
 V. e. Discretas: Curva acumulativa
de distribucin

N de cras N animales: n fi Fi
i
2 20 0.20 0.20
3 30 0.30 0.50
4 25 0.25 0.75
5 15 0.15 0.90
6 10 0.10 1
n = 100

1
0.90

0.75

0.50

0.20

2 3 4 5 6
10
 V. e. Continuas: Histograma

Estatura ni hi = ni / a i
140-160 30 1.5
160-170 22 2.2
170-180 20 2
180-190 18 1.8
190-200 10 1
100
hi
El rea de
2.2 cada rectngulo
2 es proporcional
a la frecuencia
1.8

1.5

140 160 170 180 190 200

11
 V. e. Continuas: Curva
acumulativa de distribucin

Talla ni fi Fi
140-160 30 0.30 0.30
160-170 22 0.22 0.52
170-180 20 0.20 0.72
180-190 18 0.18 0.90
190-200 10 0.10 1
100

1
0.90

0.72

0.52

0.30

140 160 170 180 190 200

12
 1.3. Caractersticas de variables
estadsticas unidimensionales

^ 1.3.1 Caractersticas de Posicin

Media aritmtica
k
k ni xi
x = fi xi = i =1
i =1
n

Estatura N Personas M. Clase

ni xi nixi
140-150 20 145 2900
150-160 100 155 15500
160-180 80 170 13600
180-200 10 190 1900
n = 210 33900
k
ni xi
Media : x = i =1
33900
= = 161.42
n 210
13
 Moda

Valor de la variable ms frecuente

9 Puede haber ms de una moda : Plurimodal

Variables discretas

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

Datos en tabla

W Ejemplo xi ni
1 34
2 36
3 45 Mo = 3
4 22
5 17

14
 Variables continuas

h i h i 1
Mo = ei 1 +
(h i h i1 ) + (hi h i+1 )
ai

W Ejemplo xi ni hi =ni / ai
140-160 30 1.5
160-170 22 2.2
170-180 20 2
180-190 18 1.8
190-200 10 1
100

Mo = 160 +
( 2.2 1.5) 10 = 167.777
( 2.2 1.5) + ( 2.2 2 )

Observaciones:
1. Puede utilizarse la frecuencia relativa
2. Si las amplitudes son iguales se puede proceder
directamente con las frecuencias

15
 Mediana

Valor de la variable que ocupa el lugar central en una

serie de datos ordenados.
El 50% de los elementos de la poblacin tienen un valor
de la variable menor de la mediana. El 50% de los
elementos de la poblacin tienen un valor de la variable
mayor.

Variables discretas

Datos en serie

W Ejemplos

N impar de observaciones:

2, 2, 2, 3, 5, 6, 7, 7, 8 : Me = 5

N par de observaciones:

4, 6, 6, 6, 7, 8, 8, 9 : Me = 6 7
Indeterminado entre 6 y 7

16
 Variables discretas

Datos en tabla

W Ejemplo

xi ni Ni fi Fi n/2 =14
Fi= 1/2
0 4 4 0.142 0.142
1 6 10 0.214 0.357
2 10 20 0.357 0.714
3 5 25 0.178 0.892
4 3 28 0.107 1 Me = 2

28 1

Observacin: Si n/2 coincide con un Ni

la mediana est indeterminada entre xi y xi+1

17
 Variables continuas

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

W Ejemplo

Tallas ni Ni fi Fi n/2 = 50
Fi = 1/2
140-150 15 15 0.15 0.15
150-160 30 45 0.30 0.45
160-170 25 70 0.25 0.70
170-180 20 90 0.20 0.90
180-200 10 100 0.10 1
100

0.5 0.45
Me = 160 + 10 = 160 + 2 = 162
0.25

Observacin: Si n/2 coincide con un Ni

la mediana es el extremo superior del intervalo que le

corresponde

18
 Percentiles

Definicin: Pk, k:1,2,...,99, percentil k, valor de la

variable que deja por debajo, el k% de los valores de la
variable

Q1 = P25 Cuartil 1 Cuantiles, an

Q2 = P50 Cuartil 2 = Me ms general
Q3 = P75 Cuartil 3

D1 = P10 Decil 1
D2 = P20 Decil 2
.
D9 = P90 Decil 9

Clculo para v.e. discretas:

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

Clculo para v.e. continuas:

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

19
 W Ejemplos percentiles v.e. discreta

xi ni Ni
2 20 20 nk/100 =
3 30 50 124x40/100 = 49.6
4 44 94
5 20 114 nk/100 =
6 10 124 124x95/100 = 117.8
124

Percentil 40, P40 = 3 Percentil 95, P95 = 6

nk/100 = Percentil 25, P25 = 3 = Q1

124x25/100 = 31

nk/100 = Percentil 50, P50 = 4 = Me = Q2

124x50/100 = 62

nk/100 = Percentil 75, P75 = 4 = Q3

124x75/100 = 93

20
 W Ejemplos percentiles v.e. continua

Tallas ni Ni fi Fi
140-150 15 15 0.15 0.15
P40
150-160 30 45 0.30 0.45
160-170 25 70 0.25 0.70
P75
170-180 20 90 0.20 0.90
180-200 10 100 0.10 1
100

nk k
Ni 1 Fi 1
Pk = ei 1 + 100 ai = ei 1 + 100 ai
ni fi

40 15 0.4 0.15
P40 = 150 + 10 = 150 + 10 = 158.33
30 0.30

75 70 0.75 0.70
P75 = 170 + 10 = 170 + 10 = 172.5 = Q3
20 0.20

21
 ^ 1.3.2. Caractersticas de Dispersin

9 Miden la Homogeneidad de las observaciones

Rango o recorrido

Valor mximo menos valor mnimo de la variable

Recorrido intercuartlico

Q3 Q1

22
 Varianza

k k
( )
2
ni x i x ii
n x 2

2
2 = i =1 = i =1 x
n n

Desviacin tpica

= 2

Coeficiente de variacin

C. V . =
x

23
 W Ejemplo

xi ni nixi nixi2
4 20 80 320
6 40 240 1440
8 44 352 2816
10 36 360 3600
12 22 264 3168
162 1296 11344

k
ni x i 2 2
11344 1296
2 = Var [ X ] = i =1
2
x = = 6.02
n 162 162

= 2 = 6.02 = 2.4535

24
 Momentos no centrales (Respecto al origen)

k
k i i n x r

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

k
k ni xi
r = 1 m1 = fi xi = i =1 =x
i =1
n

k
k ii
n x 2

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

k
ii
n x 2

( )
2 2
2
= i =1 x = m 2 m1
n

25
 Momentos centrales (Respecto a la media)

k
ni ( x i x )
r

r = i =1
n

k
ni ( x i x )
r = 1 1 = i =1 =0
n

k
ni ( x i x )
2

r = 2 2 = i =1 =2
n

26
 ^ 1.3.3 Caractersticas de forma

Coeficiente de Sesgo (Asimetra)

3
1 =
3

y Si 1 = 0 Distribucin simtrica

y Si 1 > 0 Distribucin sesgada a la derecha

y Si 1 < 0 Distribucin sesgada a la izquierda

27
 Coeficiente de Curtosis (Aplastamiento)

4
2 = 4
3

Distribucin igual de aplastada

y Si 2 =0
que la distribucin Normal

Distribucin menos aplastada

y Si 2 >0
que la distribucin Normal

y Si 2 < 0 Distribucin ms aplastada que

la distribucin Normal

28
 1.4 Concepto de variable estadstica
bidimensional

W Ejemplo . X: Peso, Y: Estatura

X\Y 140-160 160-180 180-200 >200 Marginal

X
40-60 10 6 2 0 18
60-80 8 12 6 2 28
80-100 1 8 10 6 25
Marginal 19 26 18 8 71
Y

9 Frecuencias Marginales
Frecuencias Marginales de X
Frecuencias Marginales de Y

9 Frecuencias Condicionadas
Frecuencias Condicionadas de X
Frecuencias Condicionadas de Y

29
 1.5 Distribuciones marginales y
condicionadas

Distribucin marginal de X

W Distribucin de la variable X: Peso

X \Y 140-160 160-180 180-200 >200 Marginal

X
40-60 10 6 2 0 18
60-80 8 12 6 2 28
80-100 1 8 10 6 25
Marginal 19 26 18 8 71
Y

30
 Distribucin marginal de X

W Distribucin de la variable X: Peso

X Frecuencias
Marginales
40-60 18
60-80 28
80-100 25
71

9 Media Marginal de X

9 Mediana Marginal de X

9 Moda Marginal de X

9 Varianza Marginal de X

31
 Distribucin marginal de Y

W Distribucin de la variable Y: Estatura

X\Y 140-160 160-180 180-200 >200 Marginal

X
40-60 10 6 2 0 18

60-80 8 12 6 2 28
80-100 1 8 10 6 25
Marginal 19 26 18 8 71
Y

32
 Distribucin marginal de Y

W Distribucin de la variable Y: Estatura

Y Frecuencias
Marginales
140-160 19
160-180 26
180-200 18
>200 8
71

9 Media Marginal de Y

9 Mediana Marginal de Y

9 Moda Marginal de Y

9 Varianza Marginal de Y

33
 Distribuciones de X
condicionadas a valores de Y

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

X\Y 140-160 160-180 180-200 >200 Marginal

X
40-60 10 6 2 0 18
60-80 8 12 6 2 28
80-100 1 8 10 6 25
Marginal 19 26 18 8 71
Y

34
W Ejemplo . Distribucin de X
condicionada a 160 < Y < 180

X Frecuencias
condicionadas
40-60 6
60-80 12
80-100 8
26

9 Medias condicionadas de X

9 Varianzas condicionadas de X

35
 Distribuciones de Y
condicionadas a valores de X

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

X\Y 140-160 160-180 180-200 >200 Marginal

X
40-60 10 6 2 0 18

60-80 8 12 6 2 28
80-100 1 8 10 6 25
Marginal 19 26 18 8 71
Y

36
 W Ejemplo . Distribucin de Y
condicionada a 60 < X < 80

Y Frecuencias
condicionadas
140-160 8
160-180 12
180-200 6
>200 2
28

9 Medias condicionadas de Y

9 Varianzas condicionadas de Y

37
 1.6 Covarianza

n ij ( xi x )( y j y )
Cov [ X , Y ] = x y =
i j
=
n

nij xi y j
i j
= x y
n

38
 1.7 Dependencia e
independencia estadstica

Independencia estadstica
No hay relacin entre las variables

n i.n. j
Si n ij = i, j
n

Dependencia estadstica
Hay relacin entre las variables

El grado de relacin se mide mediante

un coeficiente de asociacin

39
 W Ejemplo. Variables X e Y independientes

X\Y Y1 Y2 Y3 Y4 ni ^
X1 n11 n12 n13 n14 n1 ^
=2 =6 =4 =8 = 20
X2 n21 n22 n23 n24 n2 ^
=3 =9 =6 = = 30
12
X3 n31 n32 n33 n34 n3 ^
=1 =3 =2 =4 = 10
n ^j n ^1 n ^2 n ^3 n ^4 n
=6 = 18 = 12 = = 60
24
Independencia estadstica
ni. n. j
Si nij = i, j
n
n 2. n.3 30 12
n 23 = = =6
n 60
n 3. n.1 10 6
n 31 = = =1
n 60
40
 W Ejemplo. Variables X e Y no independientes

X\Y Y1 Y2 Y3 Y4 ni ^

X1 n11 n12 n13 n14 n1 ^

=3 =6 =4 =8 = 21
X2 n21 n22 n23 n24 n2 ^
=3 = 10 =6 = = 31
12
X3 n31 n32 n33 n34 n3 ^
=1 =3 =2 =4 = 10
n ^j n ^1 n ^2 n ^3 n ^4 n
=7 = 19 = 12 = = 62
24

Independencia estadstica
ni. n. j
Si nij = i, j
n 2. n.3
n
31 12
n 23 = = =6
n 62
n 3. n.1 10 7
n 31 = = 1.129 1
n 62
41
 W Ejemplo. Dependencia Funcional

.- Dadas las siguientes distribuciones bidimensionales:

1. Son independientes las variables X e Y?
2. Dependen funcionalmente las variables X e Y?
a. X\Y 10 15 20
1 0 3 0
2 1 0 0
3 0 0 5
4 0 1 0
b. X\Y 10 15 20 25
1 0 3 0 4
2 0 0 1 0
3 2 0 0 0
c. X\Y 10 15 20
1 0 5 0
2 3 0 0
3 0 0 2
d. X\Y 10 15 20
1 3 2 0
2 1 0 2
3 0 1 1

42
 1. Son independientes las variables X e Y?
a.
X\Y 10 15 20 Marginal X
1 0 3 0 3
2 1 0 0 1
3 0 0 5 5
4 0 1 0 1
Marginal Y 1 4 5 10

n 1. n.2 3 4
n12 = = 1.2 3
n 10
Las variables X e Y no son independientes

b.
X\Y 10 15 20 25 Marginal X

1 0 3 0 4 7
2 0 0 1 0 1
3 2 0 0 0 2
Marginal Y 2 3 1 4 10

n 2. n.3 11
n 23 = = 0.1 1
n 10
Las variables X e Y no son independientes

43
 1. Son independientes las variables X e Y?
c.
X\Y 10 15 20 Marginal X

1 0 5 0 5
2 3 0 0 3
3 0 0 2 2
Marginal Y 3 5 2 10

n 1. n.1 53
n11 = = 1.5 0
n 10
Las variables X e Y no son independientes

d.
X\Y 10 15 20 Marginal X

1 3 2 0 5
2 1 0 2 3
3 0 1 1 2
Marginal Y 4 3 3 10

n 2. n.1 3 4
n 21 = = 1.2 1
n 10

Las variables X e Y no son independientes

44
2. Dependen funcionalmente las variables X e Y?
a.
X\Y 10 15 20
1 0 3 0
2 1 0 0
3 0 0 5
4 0 1 0

Y Depende funcionalmente de X

X No Depende funcionalmente de Y

b.
X\Y 10 15 20 25
1 0 3 0 4
2 0 0 1 0
3 2 0 0 0

Y No Depende funcionalmente de X

X Depende funcionalmente de Y

45
2. Dependen funcionalmente las variables X e Y?

c.
X\Y 10 15 20
1 0 5 0
2 3 0 0
3 0 0 2

X Depende funcionalmente de Y

Y Depende funcionalmente de X

d.
X\Y 10 15 20
1 3 2 0
2 1 0 2
3 0 1 1

X No Depende funcionalmente de Y

Y No Depende funcionalmente de X

46
 1.8 Regresin y correlacin.
Introduccin

Regresin

Bsqueda de una funcin que relacione ambas variables

y sirva para predecir una variable a partir de la otra
y = f(x)

Correlacin

Estudio del nivel de relacin entre las variables

9 Nube de puntos (diagrama de dispersin): grfico

de las observaciones (datos bidimensionales)

9 Lnea o funcin de regresin: tipo de funcin que

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

47
 1.9 Rectas de regresin

Recta de mnimos cuadrados de Y / X

Y * y = a + bx
*
*
yj *  (xi, yj* )
eij
*
*
yj * (xi, yj )
* *
X
xi

Residuos = eij = y j ( a + bxi )

( )
2
min eij = min 2
yj yj * =
i j i j

( )
2
= min y j ( a + bxi )
i j

Ecuaciones normales

48
 Recta de mnimos cuadrados de Y / X

y = f ( x) = a + b x

ni x i yi x y
Cov [ X , Y ] xy n
b= = =
Var [ X ] x 2
ni x i 2 2
x
n
a = y bx

(
y y =b xx )

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

49
 Recta de mnimos cuadrados de X / Y

x = f ( y) = c + d y

ni x i yi x y
Cov [ X , Y ] xy n
d= = =
Var [Y ] y 2
ni y i 2 2
y
n
c = xd y

(
xx=d y y )

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

50
 1.10 Coeficiente de determinacin y
coeficiente de correlacin lineal

Coeficiente de determinacin

Proporcin de la varianza explicada por la regresin

2
xy
r2 = ; 0 r2 1
x2 y2

Coeficiente de correlacin lineal de Pearson

xy
r= ; 1 r 1
x y

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

51
 W Ejemplo. X= Estatura, Y= Peso

xi yi x i yi x2i y 2i
160 52 8320 25600 2704
172 64 11008 29584 4096
174 65 11310 30276 4225
176 72 12672 30976 5184
180 78 14040 32400 6084

=862 = 331 = 57350 = 148836 = 22293

862 331
x= = 172.4 ; y= = 66.2
5 5

xy =
n i x i yi
xy =
57350
172.4 66.2 = 57.12
n 5

x 2
=
n x
i i
2
2 148836
x = 172.42 = 45.44
n 5

y = 2 i i
n y 2
y =
2 22293
66.22 = 76.16
n 5

52
 y = a + bx

Cov [ X , Y ] xy 57.12
b= = = = 1.257
Var [ X ] x2 45.44

a = y bx = 66.2 1.257 172.4 = 150.5068

y = a + b x = 150.5068 + 1.257 x

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

xy 57.12
r= = = 0.9708
x y 45.44 76.16

53
 1.11 Otros tipos de ajuste

Parablico y = ax 2 + bx + c

Exponencial y = a bx

Potencial y = a xb

a
Hiperblico y=
x

54