Organización de Datos 2

Capı́tulo 1
Introducción al Análisis exploratorio de datos

Organización y Tramiento de Datos
Prof. José Flores Delgado Estadadı́stica 1 / 33

1.3 Organización de Datos
En general, el tratamiento estadı́stico descriptivo para el estudio de

los datos incluye dos tareas de mucha importancia: la detección de
posibles patrones de tendencia que puedan mostrar estos y el cálculo
e interpretación de las estadı́sticas básicas de los datos.


Para la detección de patrones es usual organizarlos en una distribución
de frecuencias, agrupándolos en clases y determinando las frecuencias;
es decir, el número o proporción de datos correspondiente a cada una.


Para la detección de patrones es usual organizarlos en una distribución
de frecuencias, agrupándolos en clases y determinando las frecuencias;
es decir, el número o proporción de datos correspondiente a cada una.
Por otra parte, para el resumen de los datos o, mejor dicho, algunas
de sus caracterı́sticas, existe una gama de estadı́sticas.

La organización y tratamiento estadı́stico descriptivo de los datos
depende del tipo de variable.

La organización y tratamiento estadı́stico descriptivo de los datos
depende del tipo de variable.
En todos los casos, suponemos que X es la variable de la cual se han
obtenido los n datos disponibles que se denotan por
x1 ; . . . ; xn ,
donde xj corresponde al j-ésimo dato registrado.

Caso de variables cualitativas medidas con una escala nominal

Ejemplo 2.8
Los registros de los problemas reportados, durante el dı́a de ayer, por
los usuarios de cierto sistema, indican que 10 se hicieron a través del
correo electrónico, 26 por teléfono y 14 en un centro de atención.

Ejemplo 2.8
Los registros de los problemas reportados, durante el dı́a de ayer, por
los usuarios de cierto sistema, indican que 10 se hicieron a través del
correo electrónico, 26 por teléfono y 14 en un centro de atención.
Estos datos siguen la distribución de frecuencias que se muestra:
Distribución del medio por el que se reportan los problemas

Medio Número de reportes Proporción de veces
Correo electrónico 10 0,20
Centro de atención 14 0,28
Teléfono 26 0,52
Total 50 1

Teléfono 26 0,52
Total 50 1
La tercera columna corresponde a las frecuencias relativas que se

obtienen dividiendo las frecuencias por el número de datos (50 en este
caso).

Teléfono 26 0,52
Total 50 1
La tercera columna corresponde a las frecuencias relativas que se

obtienen dividiendo las frecuencias por el número de datos (50 en este
caso).
La distribución de frecuencias se representa mediante barras o mediante
sectores circulares, en ambos casos los tamaños son proporcionales a la
frecuencia del valor que representa, como se muestra a continuación:

Se aprecia, notoriamente, que el medio de reporte más frecuente del
problema es por teléfono (con el 52 % de las veces),

problema es por teléfono (con el 52 % de las veces),el segundo medio
de reporte más frecuente es a través de una centro de atención (con el
28 % de las veces)

problema es por teléfono (con el 52 % de las veces),el segundo medio
de reporte más frecuente es a través de una centro de atención (con el
28 % de las veces) y en menor proporción, aunque no mucho menos
respecto al medio anterior, está el medio por correo electrónico (con
el 20 % de las veces).
A la misma conclusión se llega mediante el gráfico de sectores
circulares:

Al valor de la variable que se presenta con mayor frecuencia se de
denomina moda, entonces, podemos decir que la moda del medio de
reporte de problema es por teléfono.

Caso de variables cualitativas medidas con una escala ordinal

Ejemplo 2.9
Al término de un curso de capacitación fue evaluado el desempeño de

los 20 empleados que participaron.

Ejemplo 2.9

Se obtuvo los resultados siguientes:
2; 5; 3; 2; 3; 3; 2; 3; 4; 1; 3; 5; 4; 3; 4; 1; 3; 4; 5; 4.
Escala:
1 = mal desempeño, 2 = desempeño regular, 3 = desempeño bueno,
4 = desempeño muy bueno, y 5 = desempeño excelente.

Ejemplo 2.9

Se obtuvo los resultados siguientes:
2; 5; 3; 2; 3; 3; 2; 3; 4; 1; 3; 5; 4; 3; 4; 1; 3; 4; 5; 4.
Escala:
1 = mal desempeño, 2 = desempeño regular, 3 = desempeño bueno,
4 = desempeño muy bueno, y 5 = desempeño excelente.
Entonces, la distribución de frecuencias puede ser representada por la
tabla siguiente:
Distribución de los empleados según su desempeño
Desempeño Número de Proporción de Proporción de
empleados empleados empleados
acumulada
Malo 2 0,10 0,10
Regular 3 0,15 0,25
Bueno 7 0,35 0,60
Muy bueno 5 0,25 0,85
Excelente 3 0,15 1,00
Total 20 1,0

acumulada
Malo 2 0,10 0,10
Regular 3 0,15 0,25
Bueno 7 0,35 0,60
Muy bueno 5 0,25 0,85
Total 20 1,0
En este caso, hay una columna de frecuencias acumuladas, esta

tiene sentido, pues, los valores representan un orden y, ası́, podemos
ubicar cada valor relativamente; es decir, se puede establecer, para
cada valor, qué proporción o porcentaje de observaciones presentan la
caracterı́stica (desempeño) en menor grado que dicho valor.
acumulada
Malo 2 0,10 0,10
Regular 3 0,15 0,25
Bueno 7 0,35 0,60
Muy bueno 5 0,25 0,85
Total 20 1,0

acumulada
Malo 2 0,10 0,10
Regular 3 0,15 0,25
Bueno 7 0,35 0,60
Muy bueno 5 0,25 0,85
Total 20 1,0
Por ejemplo, un 25 % de los empleados tuvo un desempeño regular o

inferior; un 60 % de los empleados tuvo un desempeño bueno o inferior;
y un 85 % de los empleados tuvo un desempeño muy bueno o inferior.

acumulada
Malo 2 0,10 0,10
Regular 3 0,15 0,25
Bueno 7 0,35 0,60
Muy bueno 5 0,25 0,85
Total 20 1,0

acumulada
Malo 2 0,10 0,10
Regular 3 0,15 0,25
Bueno 7 0,35 0,60
Muy bueno 5 0,25 0,85
Total 20 1,0
Más adelante se definirán los percentiles, adelantamos que el desem-

peño regular es el percentil 25, el desempeño bueno es el percentil 60
y el desempeño muy bueno es el percentil 85.

Esta distribución puede representarse mediante barras o sectores
circulares como se muestra a continuación:

Esta distribución puede representarse mediante barras o sectores
circulares como se muestra a continuación:
La conclusión que podemos obtener de esta distribución es la siguiente:

la mayorı́a de los empleados tuvo un desempeño bueno, y conforme el
desempeño se aleja de este valor, la tendencia es a encontrar menos
empleados.
Caso de variables cuantitativas discretas

Ejemplo 2.10
A fin de estudiar el número de sucursales que tienen las empresas de

cierto ramo de la producción nacional, se tomó una muestra de 80
estas empresas y se contó el número de sucursales que tenı́a cada una,
obteniéndose los resultados siguientes:

Ejemplo 2.10

2 4 5 4 4 4 5 3 4 5 5 2 4 1 3 5 5 3 4 4 7
5 5 7 6 5 5 6 5 4 6 4 3 4 6 4 6 4 4 5 3 4
4 4 4 6 4 4 4 4 4 5 4 4 4 6 4 5 4 5 4 4 5

Ejemplo 2.10

2 4 5 4 4 4 5 3 4 5 5 2 4 1 3 5 5 3 4 4 7
5 5 7 6 5 5 6 5 4 6 4 3 4 6 4 6 4 4 5 3 4
4 4 4 6 4 4 4 4 4 5 4 4 4 6 4 5 4 5 4 4 5
Estos datos se organizan en una distribución de frecuencia como sigue:

Distribución del número de sucursales de las empresas
Número de Número de Número de Proporción Proporción
sucursales empresas empresas acum. de emp. de emp. acum.
X nj Nj fj Fj
1 1 1 0,0125 0,0125
2 4 5 0,05 0,0625
3 5 10 0,0625 0,125
4 40 50 0,5 0,625
5 20 70 0,25 0,875
6 8 78 0,1 0,975
7 2 80 0,025 1

Una representación gráfica de esta distribución es la siguiente:

Una representación gráfica de esta distribución es la siguiente:
Puede apreciarse que el número de sucursales tiende a concentrarse

alrededor de 4, es decir, la tendencia es hacia la centralización, pues,
existe un valor central que sobresale en frecuencia y alrededor de este se
distribuyen los demás valores los cuales van disminuyendo en frecuencia
conforme se distancian del valor central.
En este caso es fácil encontrar un valor promedio, es decir, uno que
represente a la mayor parte de los datos (el término medio).

Una medida de este valor promedio es, por ejemplo,

la moda: 4 sucursales,

Una medida de este valor promedio es, por ejemplo,

la moda: 4 sucursales,
o la media aritmética:
suma de los datos 2 + 4 + 5 + ··· + 5 + 2 + 4 346

X̄ = = = = 4, 325.
número de datos 80 80

Número de Número de
sucursales empresas
X nj
1 1
2 4
3 5
4 40
5 20
6 8
7 2
También se puede obtener la suma de los datos multiplicando cada

valor que no se repite (valores de la columna 1 de la tabla) por su
frecuencia (valores de la columna 2):

Número de Número de
sucursales empresas
X nj
1 1
2 4
3 5
4 40
5 20
6 8
7 2
También se puede obtener la suma de los datos multiplicando cada

valor que no se repite (valores de la columna 1 de la tabla) por su
frecuencia (valores de la columna 2):
1(1) + 2(4) + ... + 7(2) = 346.

Las estadı́sticas más usadas para determinar un valor promedio son la
media aritmética, la moda y la mediana.

La mediana, me , es el valor que ocupa la posición central cuando los

datos se ordenan, por lo tanto este valor tiene la propiedad que la
mitad de los datos son menores o iguales que él.

La mediana, me , es el valor que ocupa la posición central cuando los

datos se ordenan, por lo tanto este valor tiene la propiedad que la
mitad de los datos son menores o iguales que él.
En el último ejemplo, la mediana es 4, es decir, la mitad de las empresas

tienen 4 sucursales o menos.

Más adelantes trataremos estas estadı́sticas que se llamarán medidas
o indicadores de tendencia central.

El promedio es, entonces, un valor medio, en el sentido que se parece

a muchos de los datos, ası́, puede ser usado para representarlos.

El promedio es, entonces, un valor medio, en el sentido que se parece

a muchos de los datos, ası́, puede ser usado para representarlos.
Sin duda el promedio es la estadı́stica más importante, pues da una

idea general de los valores de los datos.

Caso de variables cuantitativas continuas

Ejemplo 2.11
En un cajero automático se midió el tiempo de las transacciones de

cada uno de 25 clientes, de una muestra aleatoria.

Ejemplo 2.11
En un cajero automático se midió el tiempo de las transacciones de

cada uno de 25 clientes, de una muestra aleatoria.
Se obtuvo en minutos:
0,19 1,39 2,16 1,23 0,75 2,59 1,40 0,02 0,71 2,41 3,53 1,17 1,16
1,61 3,76 0,96 1,94 1,65 4,75 1,59 0,47 2,01 0,82 0,92 3,07

Cuando la variable es continua, los datos se agrupan en k intervalos
de igual longitud o amplitud, C , luego se determinan las frecuencias
de los intervalos (ya no de cada dato).

Para determinar k, el número de intervalos, existen muchas reglas
empı́ricas, por ejemplo, la Regla de Sturges:
k = 1 + 3, 33log (n),
donde log es el logaritmo en base 10.

k = 1 + 3, 33log (n),
En este caso k = 1 + 3, 33log (25) = 5, 655 y este valor se redondea
al entero inmediato superior, ası́ k = 6.

k = 1 + 3, 33log (n),
En este caso k = 1 + 3, 33log (25) = 5, 655 y este valor se redondea
al entero inmediato superior, ası́ k = 6.
Los datos extremos son: x(1) = 0, 02 y x(25) = 4, 75 (menor y mayor
dato, respectivamente).
Aquı́ se ha usado la notación x(j) : dato que ocupa la posición j.

Luego, la distancia entre el menor valor y el mayor (llamada el rango)
es R = 4, 75 − 0, 02 = 4, 73;

es R = 4, 75 − 0, 02 = 4, 73;
por lo tanto, la longitud de cada uno de los k = 6 intervalos será

C = 4, 73/6 = C = 0, 78833...,

es R = 4, 75 − 0, 02 = 4, 73;

C = 4, 73/6 = C = 0, 78833...,
pero como no sale un valor exacto, es necesario redondear.

es R = 4, 75 − 0, 02 = 4, 73;

C = 4, 73/6 = C = 0, 78833...,
En este caso, podemos redondear a 2 decimales (pues los datos solo
tienen dos decimales, ası́, no vale la pena considerar más), el redondeo
debe ser por exceso (hacia arriba), pues de otro modo el mayor dato
quedarı́a fuera.

es R = 4, 75 − 0, 02 = 4, 73;

C = 4, 73/6 = C = 0, 78833...,
En este caso, podemos redondear a 2 decimales (pues los datos solo
tienen dos decimales, ası́, no vale la pena considerar más), el redondeo
debe ser por exceso (hacia arriba), pues de otro modo el mayor dato
quedarı́a fuera.
Tomamos C = 0, 79.

El primer intervalo comienza en x(1) = 0, 02
y termina en x(1) + C = 0, 02 + 0, 79 = 0, 81,

y termina en x(1) + C = 0, 02 + 0, 79 = 0, 81,
el segundo intervalo empieza en 0, 81

y termina en 0, 81 + C = 1, 60;

y termina en x(1) + C = 0, 02 + 0, 79 = 0, 81,

y termina en 0, 81 + C = 1, 60;
y as, sucesivamente, hasta haber completado los k = 6 intervalos.

y termina en x(1) + C = 0, 02 + 0, 79 = 0, 81,

y termina en 0, 81 + C = 1, 60;
y as, sucesivamente, hasta haber completado los k = 6 intervalos.
Con estos intervalos se obtiene la tabla, todavı́a incompleta, de la forma

siguiente:

Tiempo Marca Frecuencia
[0, 02; 0, 81]
]0, 81; 1, 60]
]1, 60; 2, 39]
]2, 39; 3, 18]
]3, 18; 3,97]
]3, 97; 4, 76]

[0, 02; 0, 81]
]0, 81; 1, 60]
]1, 60; 2, 39]
]2, 39; 3, 18]
]3, 18; 3,97]
]3, 97; 4, 76]
Ahora, se distribuyen los datos, uno por uno, según el intervalo al que
correspondan, de este modo se obtiene la frecuencia de cada intervalo:
nj = número de datos que están en el intervalo j.

Al final, se habrá completado la tabla de frecuencias siguiente:

[0, 02; 0, 81] 5
]0, 81; 1, 60] 9
]1, 60; 2, 39] 5
]2, 39; 3, 18] 3
]3, 18; 3,97] 2
]3, 97; 4, 76] 1

Las otras partes de la tabla son las siguientes: xj0 = marca de clase del
intervalo j (punto medio del intervalo j) = semi suma de los lı́mites
del intervalo; Nj = frecuencia acumulada hasta el intervalo j; f = nj /n
y F = Nj /n.

Las otras partes de la tabla son las siguientes: xj0 = marca de clase del
intervalo j (punto medio del intervalo j) = semi suma de los lı́mites
del intervalo; Nj = frecuencia acumulada hasta el intervalo j; f = nj /n
y F = Nj /n.
Con estas completamos la tabla de la distribución de frecuencias

Distribución de los tiempos necesarios
Tiempo Marca Frecuencia Frecuencia Frecuencia Frecuencia
(minutos) acumulada relativa acumulada relativa
[0, 02; 0, 81] 0, 415 5 5 0, 20 0, 20
]0, 81; 1, 60] 1, 205 9 14 0, 36 0, 56
]1, 60; 2, 39] 1, 995 5 19 0, 20 0, 76
]2, 39; 3, 18] 2, 785 3 22 0, 12 0, 88
]3, 18; 3,97] 3, 575 2 24 0, 08 0,96
]3, 97; 4, 76] 4, 365 1 25 0, 04 1, 00

Podemos representar la distribución de frecuencias con el histograma
o el polı́gono de frecuencias.

El histograma es una representación con barras de altura proporcionales

a la frecuencia del intervalo que representa.


El polı́gono se obtiene uniendo, con lı́neas continuas, cada punto con

una abscisa igual a la marca de clase de un intervalo y ordenada igual
a la frecuencia de dicho intervalo;



además, se cierra el polı́gono en el eje horizontal sumando C a la última

marca y restando C a la primera marca de clase.



además, se cierra el polı́gono en el eje horizontal sumando C a la última

marca y restando C a la primera marca de clase.
A continuación se presentan estos dos gráficos para nuestro ejemplo

anterior:
En cualquiera de estas gráficas apreciamos los patrones de tendencia
que muestran los datos.

En cualquiera de estas gráficas apreciamos los patrones de tendencia
que muestran los datos.
Podemos empezar por mencionar lo evidente, la variación natural de

los datos, es decir, no todos los clientes necesitan el mismo tiempo,
los valores correspondientes están entre 0,02 y 4,75 min.

También se puede apreciar claramente que los tiempos necesarios,
para que los clientes efectúen sus transacciones, tienden a distribuirse
alrededor del intervalo entre 0,81 y 1,6, el cual sobresale en frecuencia
y conforme consideramos tiempos con valores que se alejan de este
intervalo, son menos los clientes que necesitan de este tiempo;

También se puede apreciar claramente que los tiempos necesarios,
para que los clientes efectúen sus transacciones, tienden a distribuirse
alrededor del intervalo entre 0,81 y 1,6, el cual sobresale en frecuencia
y conforme consideramos tiempos con valores que se alejan de este
intervalo, son menos los clientes que necesitan de este tiempo;
es decir, se distingue un patrón de centralización.
Además, existen unos pocos clientes cuyos tiempos necesarios son muy
grandes en comparación con los otros;

Además, existen unos pocos clientes cuyos tiempos necesarios son muy
grandes en comparación con los otros;
es decir, existe una patrón de asimetrı́a o sesgo hacia valores altos.

Ahora, representaremos las frecuencias acumuladas mediante la ojiva
de frecuencias, usando también los datos de nuestro ejemplo anterior:


Esta gráfica es de utilidad cuando, por ejemplo, queremos determinar,

aproximadamente, ubicaciones relativas en la distribución.

Organización de Datos 2

Cargado por

Información del documento

Descripción original:

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

Organización de Datos 2

Cargado por

Copyright:

Formatos disponibles

Capı́tulo 1

Introducción al Análisis exploratorio de datos

Prof. José Flores Delgado Estadadı́stica 1 / 33

En general, el tratamiento estadı́stico descriptivo para el estudio de

Prof. José Flores Delgado Estadadı́stica 2 / 33

En general, el tratamiento estadı́stico descriptivo para el estudio de

Prof. José Flores Delgado Estadadı́stica 2 / 33

En general, el tratamiento estadı́stico descriptivo para el estudio de

Prof. José Flores Delgado Estadadı́stica 2 / 33

Prof. José Flores Delgado Estadadı́stica 3 / 33

Prof. José Flores Delgado Estadadı́stica 3 / 33

Prof. José Flores Delgado Estadadı́stica 4 / 33

Prof. José Flores Delgado Estadadı́stica 4 / 33

Distribución del medio por el que se reportan los problemas

Prof. José Flores Delgado Estadadı́stica 4 / 33

La tercera columna corresponde a las frecuencias relativas que se

Prof. José Flores Delgado Estadadı́stica 5 / 33

La tercera columna corresponde a las frecuencias relativas que se

Prof. José Flores Delgado Estadadı́stica 5 / 33

Prof. José Flores Delgado Estadadı́stica 6 / 33

Prof. José Flores Delgado Estadadı́stica 6 / 33

Prof. José Flores Delgado Estadadı́stica 7 / 33

Prof. José Flores Delgado Estadadı́stica 8 / 33

Prof. José Flores Delgado Estadadı́stica 9 / 33

Al término de un curso de capacitación fue evaluado el desempeño de

Prof. José Flores Delgado Estadadı́stica 9 / 33

Al término de un curso de capacitación fue evaluado el desempeño de

Prof. José Flores Delgado Estadadı́stica 9 / 33

Al término de un curso de capacitación fue evaluado el desempeño de

Prof. José Flores Delgado Estadadı́stica 10 / 33

En este caso, hay una columna de frecuencias acumuladas, esta

Prof. José Flores Delgado Estadadı́stica 11 / 33

Por ejemplo, un 25 % de los empleados tuvo un desempeño regular o

Prof. José Flores Delgado Estadadı́stica 11 / 33

Prof. José Flores Delgado Estadadı́stica 12 / 33

Más adelante se definirán los percentiles, adelantamos que el desem-

Prof. José Flores Delgado Estadadı́stica 12 / 33

Prof. José Flores Delgado Estadadı́stica 13 / 33

La conclusión que podemos obtener de esta distribución es la siguiente:

Prof. José Flores Delgado Estadadı́stica 15 / 33

A fin de estudiar el número de sucursales que tienen las empresas de

Prof. José Flores Delgado Estadadı́stica 15 / 33

A fin de estudiar el número de sucursales que tienen las empresas de

Prof. José Flores Delgado Estadadı́stica 15 / 33

A fin de estudiar el número de sucursales que tienen las empresas de

Prof. José Flores Delgado Estadadı́stica 15 / 33

Prof. José Flores Delgado Estadadı́stica 16 / 33

Prof. José Flores Delgado Estadadı́stica 17 / 33

Puede apreciarse que el número de sucursales tiende a concentrarse

Prof. José Flores Delgado Estadadı́stica 18 / 33

Una medida de este valor promedio es, por ejemplo,

Prof. José Flores Delgado Estadadı́stica 18 / 33

Una medida de este valor promedio es, por ejemplo,

suma de los datos 2 + 4 + 5 + ··· + 5 + 2 + 4 346

Prof. José Flores Delgado Estadadı́stica 18 / 33

También se puede obtener la suma de los datos multiplicando cada

Prof. José Flores Delgado Estadadı́stica 19 / 33

También se puede obtener la suma de los datos multiplicando cada

Prof. José Flores Delgado Estadadı́stica 19 / 33

Prof. José Flores Delgado Estadadı́stica 20 / 33

La mediana, me , es el valor que ocupa la posición central cuando los

Prof. José Flores Delgado Estadadı́stica 20 / 33

La mediana, me , es el valor que ocupa la posición central cuando los