A p é n d i c e

A
Formulario

A.1. Conceptos Básicos

Métodos de tabulación
 

 


Descriptiva Métodos gráficos





 
Métodos numéricos

 


ESTADÍSTICA



 



 Estimación de parámetros
Inferencial


 Pruebas de hipótesis

 


 x1 , x2 , x3 , ..., xN


o Universo (N ) Finita N o Infinita





Población
Parámetro: µ, σ 2 y P

 





ESTUDIO

 
x1 , x2 , x3 , ..., xn

 

 
(n)

Muestreo




Muestra

Estadı́stico o Estadı́grafo: x̄, s2 y pb

 



59
Contadurı́a Pública Universidad Salesiana de Bolivia




 1.
Planteamiento del problema


2.
Recolección de la información
EL MÉTODO ESTADÍSTICO




3. Organización y clasificación de los datos


4. Análisis e interpretación de los resultados

 

 Nominal

Cualitativa–Atributo
Ordinal






VARIABLE  
Discreta





Cuantitativa-Métrica
Contı́nua




X, Y, Z, V, W, T, U, ......, X1 , X2 , ......




 Censos


Encuestas por muestreo
FUENTE DE LOS DATOS




Registros


Diseño de experimentos

Si X es la variable, entonces {x1 , x2 , ..., xn } son los datos observados o las mediciones
realizadas a una muestra de elementos de tamaño n. Los cuales en una primera instancia,
se deben representar (resumir) en cuadros y gráficas.

A.2. Representaciones Univariantes

A.2.1. Distribución de frecuencias de variable cualitativa
En el caso de datos {x1 , x2 , ..., xn } de variable X cualitativa, la tabla de distribución de frecuencias
adoptará la siguiente forma:

Frecuencias Frecuencias Frecuencias

Variable absoluta relativa porcentual
ni fi pi %
Caracterı́stica A n1 f1 p1 %
Caracterı́stica B n2 f2 p2 %
Caracterı́stica C n3 f3 p3 %
.. .. .. ..
. . . .
Caracterı́stica K nk fk pk %
Totales n 1 100 %

60
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

donde:
frecuencias absolutas (ni ), cantidad de veces o el número de veces que entre los datos
aparece la Caracterı́stica A, B, C, ... , K.

• ni es positivo y entero
• 0 < ni < n
n
• n1 + n2 + · · · + nk = ni = n
P
i=1

frecuencias relativas (fi ), proporción de veces o el tanto por uno de veces que entre
los datos aparece la Caracterı́stica A, B, C, ... , K.

• fi es positivo y decimal
• 0 < fi < 1
n
• f1 + f2 + · · · + fk = fi = 1
P
i=1

frecuencias porcentuales (pi %), porcentaje de veces o tanto por cien de veces que
entre los datos aparece la Caracterı́stica A, B, C, ... , K.

• pi % es positivo
• 0 < pi % < 100
n
• p1 % + p2 % + · · · + pk % = pi % = 100 %
P
i=1

A.2.2. Distribución de frecuencias de variable cuantitativa

Sea X una variable cuantitativa con {x1 , x2 , ..., xn } los datos observados o medidos de los
elementos de la muestra de tamaño n. Para poder resumir y respresentar estos datos en Cuadros
o Tablas de distribución de frecuencias se debe tomar en cuanta:
Si la variable X es dicreta o contı́nua.

Si la cantidad de datos (n) es pequeña (pocos) o grande (muchos).

Si los datos {x1 , x2 , ..., xn } se repiten en k distintos valores (k < n) o casi todos en
su mayorı́a son distintos.

Según cómo se expresen los datos, se tiene tres alternativas para representar los datos.

Distribución Tipo I
Si los datos {x1 , x2 , ..., xn }:

Son de variable X cuantitativa.

Son en cantidad de datos (n) pequeña (pocos).

61
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Son los datos {x1 , x2 , ..., xn } casi todos en su mayorı́a distintos.

Entonces, estos datos se pueden presentar en forma ordenada ascendente o descendente-

mente, es decir:
x(1) ≤ x(2) ≤ x(3) ≤ · · · ≤ x(n)
también llamados “datos no agrupados” o “datos simples”.

Distribución Tipo II
Si los datos {x1 , x2 , ..., xn }:

Son de variable X “discreta”.

Son en cantidad de datos (n) grande (muchos).

Son los datos {x1 , x2 , ..., xn } repetidos entre k distintos posibles (k < n).

Entonces, estos datos se pueden presentar en forma de una tabla de distribución de

frecuencias:

xi ni fi pi % Ni Fi Pi %
x1 n1 f1 p1 % N1 F1 P1 %
x2 n2 f2 p2 % N2 F2 P2 %
x3 n3 f3 p3 % N3 F3 P3 %
.. .. .. .. .. .. ..
. . . . . . .
xk nk fk pk % Nk Fk Pk %
Total n 1 100 %

también llamados distribución de frecuencias de “datos discretos agrupados” o “datos

agrupados discretos”.

Donde:

xi : conjunto de valores diferentes que toman los datos originales de la variable X.

ni : frecuencia absoluta, es el número de veces que aparece este valor en el conjunto de

observaciones.
k
0 < ni < n ∀i = 1, 2, ..., k. ni = n
X

i=1

fi : frecuencia relativa, es el tanto por uno o proporción de observaciones que representa al

valor xi .
k
ni
fi = ∀i = 1, 2, ..., k. 0 < fi < 1 fi = 1
X
n i=1

62
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

pi %: porcentaje, de observaciones del valor xi .

k
ni
pi % = fi · 100 = · 100 ∀i = 1, 2, ..., k. 0 < pi % < 100 % pi % = 100 %
X
n i=1

Ni : frecuencia absoluta acumulada “Menor que”, correspondiente al valor xi , al número de

observaciones menores o iguales a xi
i
Ni = n1 + n2 + n3 + · · · + ni Ni = Ni = Ni−1 + ni ∀i = 1, 2, ..., k.
X
nj
j=1

N1 = n1 Nk = n

Fi : frecuencia relativa acumulada “Menor que” del valor xi a la frecuencia relativa total de
las observaciones menores o iguales a xi
i
F i = f1 + f2 + f3 + · · · + fi Fi = Fi = Fi−1 + fi ∀i = 1, 2, ..., k.
X
fj
j=1

F 1 = f1 Fk = 1

Pi %: frecuencia porcentual acumulada “Menor que” del valor xi a la frecuencia porcentaje

total de las observaciones menores o iguales a xi
i
Pi % = p 1 % + p 2 % + p 3 % + · · · + p i % Pi % = pj % Pi % = Pi−1 % + pi %
X

j=1

∀i = 1, 2, ..., k. P 1 % = p1 % Pk = 100 %

Distribución Tipo III

Si los datos {x1 , x2 , ..., xn }:

Son de variable X “contı́nua”.

Son en cantidad de datos (n) grande (muchos).

Son los datos {x1 , x2 , ..., xn } muy distintos en su mayorı́a entre ellos.

entonces, corresponde realizar una tabla de distribución de frecuencias agrupados en intervalos

de clase. Para tal propósito, se plantea las siguientes regla de construir de una distribución de
frecuencias en intervalos de clase:

1. entre los datos {x1 , x2 , x3 , ..., xn } de la variable X, buscar

xmáx = máx{x1 , x2 , x3 , ..., xn } y xmı́n = mı́n{x1 , x2 , x3 , ..., xn }

2. obtener el rango o recorrido de los datos observados de la variable X

R = xmáx − xmı́n
63
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

3. alternativas para tomar el número de clases o número de intervalos de clase

5 si n ≤ 25


√

K= n si n > 25

1 + 3.22 log(n) Fórmula de Sturges



4. calcular la amplitud o ancho de clase constante para cada clase

R
C= ≈ redondear al inmediato superior relacionados con los datos
K
5. determinar los lı́mites de cada clase de cada intervalo
L0 = xmı́n L1 = L0 + C L2 = L1 + C = L0 + 2C L3 = L2 + C = L0 + 3C
······ Lk−1 = Lk−2 + C = L0 + (k − 1)C Lk = Lk−1 + C = L0 + kC
y ası́, obtenemos los lı́mites inferior Li−1 y lı́mites superior Li de la tabla de distribución
de frecuencias en intervalos de clase constante siguiente:

Li−1 —Li conteo ni fi pi % Ni Fi Pi % xi

L0 —L1 /// n1 f1 p1 % N1 F1 P1 % x1
L1 —L2 //// n2 f2 p2 % N2 F2 P2 % x2
L2 —L3 // n3 f3 p3 % N3 F3 P3 % x3
.. .. .. .. .. .. .. .. ..
. . . . . . . . .
Lk−1 —Lk ///// nk fk pk % Nk Fk Pk % xk
Total n 1 100 %

también llamado distribución de frecuencias de datos agrupados en intervalos o distribución

de datos agrupados de variable contı́nua.

Donde:
Li−1 y Li lı́mites inferior y superior de cada intervalo de clase respectivamente.
ni : frecuencia absoluta, es el número de observaciones que pertenecen la la clase i–ésima.
k
0 < ni < n ∀i = 1, 2, ..., k. ni = n
X

i=1

fi : frecuencia relativa, es el tanto por uno o proporción de observaciones que representa al

intervalo de la clase i–ésima.
k
ni
fi = ∀i = 1, 2, ..., k. 0 < fi < 1 fi = 1
X
n i=1

pi %: porcentaje, de observaciones que pertenecen a la clase i–ésima.

k
ni
pi % = fi · 100 = · 100 ∀i = 1, 2, ..., k. 0 < pi % < 100 % pi % = 100 %
X
n i=1

64
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Ni : frecuencia absoluta acumulada “Menor que”, correspondiente a la clase i–ésima, al

número de observaciones menores o iguales a Li
i
Ni = n1 + n2 + n3 + · · · + ni Ni = Ni = Ni−1 + ni ∀i = 1, 2, ..., k.
X
nj
j=1

N1 = n1 Nk = n

Fi : frecuencia relativa acumulada “Menor que” de la clase i–ésima a la frecuencia relativa

total de las observaciones menores o iguales a Li
i
F i = f1 + f2 + f3 + · · · + fi Fi = Fi = Fi−1 + fi ∀i = 1, 2, ..., k.
X
fj
j=1

F 1 = f1 Fk = 1

Pi %: frecuencia porcentual acumulada “Menor que” del valor xi al porcentaje total de las
observaciones menores o iguales a Li
i
Pi % = p 1 % + p 2 % + p 3 % + · · · + p i % Pi % = pj % Pi % = Pi−1 % + pi %
X

j=1

∀i = 1, 2, ..., k. P 1 % = p1 % Pk = 100 %

xi : marca o representante de clase, conjunto de valores representantes de cada clase i–ésima

o intevalo de clase.
Li−1 + Li
xi = ∀i = 1, 2, 3, ..., k.
2

Estructura de un Cuadro o Tabla de frecuencias

En toda tabla o cuadro estadı́stico debe tomarse en cuenta:

Preciso, claro y conciso:


 

 
Cuadro o Tabla

 


 


 

Numeración correlativa

 


 


 
Tı́tulo ¿Qué? Universo de estudio




 
¿Cómo? variable de análisis (“por”, “según”)

 


 


 

¿Dónde? local o lugar

 


 


 
CUADROS: ¿Cuándo? la época tiempo



Cuerpo de la tabla

 

 

 
Cuadro propiamente dicho Encabezamiento




Columna matriz

 





Fuente

 

 

 
Indicaciones complementarias Notas






Comentarios

 


65
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

A.2.3. Gráficas
Deben conseguir que un simple análisis visual ofrezca la mayor información posible. Cuyas
dimensiones son proporcionales a la magnitud de los datos representados en figuras geométricas
(puntos, lı́neas, rectángulos, paralelepı́pedos, etc.). No es sustituto, es complementario al cuadro.

Gráfica de sectores
 

 


Diagrama de barras






Variables cualitativas

Pictogramas

 





Diagrama de barras

 

GRÁFICAS Discretas



Ojiva



 


 

Histograma
 



Variables cuantitativas 

 
Contı́nuas Polı́gono de frecuencias

 


 

 
 
Ojiva

  
  

Gráficas de variable cualitativa

Caracterı́stica i: ai = fi · 360 ⇒ Ai Caracterı́stica i: ni o pi %

Caracterı́stica i: ni

66
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Gráficas de variable cuantitativa discreta

Variable: xi ; ni , fi o pi % Variable: xi ; Ni , Fi o Pi %

Gráficas de variable cuantitativa contı́nua

Variable: Li−1 –Li (xi ); ni , fi o pi % Variable: Li ; Ni , Fi o Pi %

A.3. Estadı́grafos Univariantes

En esta sección se describen los diferentes estadı́grafos, llamados también números ı́ndices,
estadı́sticas, estadı́sticos, etc. Se trata de valores que aportan mucha más información que
la propia, como datos en sı́ mismos. Ası́ como un histograma puede ser considerado como
una manera clara y práctica de resumir la información contenida en la “nube” de datos, los
estadı́grafos la condensan aún más, reduciéndola a unos pocos valores que toma el lector para
darse una idea de todo el conjunto. El trabajo de analizar un gran número de datos siempre es
engorroso; en la actualidad, con las computadoras la tarea está mucho más aliviada, pero en los
inicios era una tarea muy pesada. Por eso, desde siempre se buscó la manera de unificar criterios
y técnicas para homogeneizar la manera de presentar datos en los informes cientı́ficos.
67
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

aritmética Media
 

 


Tendencia Central Mediana


De


 
Moda

 





Cuartil

 

 


Tendencia no Central Decil





 De
Percentil

 




 
Rango o recorrido



 


 
ESTADÍGRAFOS: Rango intercuartil




 

Desviación Mediana

 


 

 
De Variación o Dispersión Varianza





 
Desviación estándar

 


 


 
Coeficiente de apertura

 


 


 
Coeficiente de variación

 


 
  
Asimetrı́a




De Forma 


Curtosis


A.3.1. Promedios
Media aritmética

Sea X una variable cuantitativa con {x1 , x2 , ..., xn } un conjunto de datos observados o mediciones
de una muestra de tamaño n.

Para distribuciones de Tipo II y Tipo III, la media o media aritmética es:

k k
xi · n i xi · p i %
P P
k
M (X) = x̄ = i=1
= xi · f i = i=1
X
n i=1 100

68
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Para distribuciones de Tipo I, la media o media aritmética es:

k
P
xi
M (X) = x̄ = i=1
n

Propiedades de la Media aritmética

Sea X una variable con {x1 , x2 , x3 , ..., xn } los datos observados, y a y b constantes, se verifica
que:

Propiedad 1. Si todos los valores observados {x1 , x2 , x3 , ..., xn } son iguales a b, entonces

x̄ = M (X) = M (b) = b

Propiedad 2. Si a cada valor de las observaciones {x1 , x2 , x3 , ..., xn } se le suma (o resta)

una constante, la media aritmética del nuevo conjunto transformado yi = xi ± b es

ȳ = M (Y ) = M (X ± b) = M (X) ± b = x̄ ± b

Propiedad 3. Si a cada valor de las observaciones {x1 , x2 , x3 , ..., xn } se multiplica por

una constante, la media aritmética del nuevo conjunto transformado yi = axi es

ȳ = M (Y ) = M (a · X) = a · M (X) = a · x̄

Propiedad 4. Si a cada valor de las observaciones {x1 , x2 , x3 , ..., xn } se le aplica una

transformación lineal, yi = axi ± b, la nueva media es

ȳ = M (Y ) = M (a · X ± b) = a · M (X) ± b = a · x̄ ± b

Propiedad 5. La suma algebraica de las desviaciones de cada valor observado

{x1 , x2 , x3 , ..., xn } con respecto a su media es cero, es decir
n
(xi − x̄) = 0
X

i=1

Propiedad 6. La suma de los cuadrados de las desviaciones de cada valor observado

{x1 , x2 , x3 , ..., xn } con respecto a su media es mı́nima, es decir
n n
(xi − x̄)2 ≤ (xi − a)2
X X

i=1 i=1

Métodos abreviados del cálculo de la Media aritmética

Primer método. Se trata de reducir la magnitud de la variable, transformado las marcas de
clase x1 , x2 , ..., xk en desviaciones di respecto de un origen de trabajo arbitrariamente elegido, es
69
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

decir

di = xi − Ot ∀ i = 1, 2, ..., k.

entonces

k
di ni
x̄ = M (X) = M (d) + Ot = d¯ + Ot con M (d) = d¯ =
X

i=1 n

Segundo método. Si la amplitud de clase es constante (c=constante), se realiza la siguiente

transformación
xi − Ot
ui = ∀ i = 1, 2, ..., k.
c

entonces

k
ui ni
x̄ = M (X) = c · M (u) + Ot = c · ū + Ot con M (u) = ū =
X

i=1 n

Media ponderada

A veces se asocia a los datos x1 , x2 , x3 , ..., xk ciertos factores de peso (o pesos)

w1 , w2 , w3 , ..., wk , dependiendo de la influencia asignada a cada dato. En tal caso:
k
xi · w i
P

x̄p = i=1
k
P
wi
i=1

Media global

L
x̄h · nh
P

x̄G = h=1
L
P
nh
h=1

70
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Mediana

Para distribuciones de Tipo III, la mediana es:

n 1 
 
100 
− Pj−1 % 

− Nj−1  2 − Fj−1 
M e = Lj−1 + cj  2  = Lj−1 + cj   = Lj−1 + cj  2
  

nj  fj   pj % 

donde:

j: es el intervalo o clase correspondiente al valor de la mediana, tal que:

n
Nj−1 ≤ ≤ Nj
2

Lj−1 : lı́mite inferior correspondiente al intervalo o clase mediano.

cj : amplitud de clase o ancho de clase del intervalo o de la clase mediano.

nj : frecuencia absoluta correspondiente a la clase mediano.

Nj−1 : frecuencia absoluta acumulada anterior a la clase o intervalo de la mediana.

Para distribuciones de Tipo I (ordenados) y Tipo II, la mediana es:

; si n es impar


 x( n+1 )

 2

Me = 
x n + x( n +1)
 (2)

; si n es par

 2

71
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Moda

Para distribuciones de Tipo III, la moda es:

∆1
!
M o = Lj−1 + cj
∆1 + ∆ 2

donde:

j: intervalo de clase correspondiente a la frecuencia absoluta de mayor valor (más alto).

Lj−1 : lı́mite inferior correspondiente a la clase modal.

cj : amplitud de clase o ancho de clase correspondiente a la clase modal.

ni
∆1 = nj − nj−1 si ci = c, y ∆1 = hj − hj−1 con hi = para todo i = 1, 2, ..., k.
ci
ni
∆2 = nj − nj+1 si ci = c, y ∆2 = hj − hj+1 con hi = para todo i = 1, 2, ..., k.
ci
nj : la frecuencia o la hj altura de mayor valor.

Para distribuciones de Tipo I y Tipo II, la moda es:

M o = x0

correspondiente a la frecuencia i–ésima (absoluta (ni ), relativa (fi ) o porcentaje (pi %)) de
mayor valor.

Relación empı́rica entre x̄, M e y M o

Para distribuciones (curvas) de frecuencia unimodales que sean poco asimétricas se tiene
la siguiente relación empı́rica:

x̄ − M o = 3 · (x̄ − M e)

72
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

A.3.2. Cuantiles

Cuartiles

Para distribuciones de Tipo III

n 
1  
100 
%
 
− Nj−1
r r − F j−1  r − P j−1
Qr = Lj−1 + cj  4
 4
 = Lj−1 + cj   = Lj−1 + cj  4
   

nj  fj   pj % 

para todo r = 1, 2, 3.

Deciles

Para distribuciones de Tipo III

n 
1  
100 
%
 
− Nj−1
r r − F j−1  r − P j−1
Dr = Lj−1 + cj  10
 10
 = Lj−1 + cj   = Lj−1 + cj  10
   

nj  fj   pj % 

para todo r = 1, 2, 3, 4, 5, 6, 7, 8, 9.

73
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Percentiles

Para distribuciones de Tipo III

n  
1 
− Nj−1
r r − F j−1  r − Pj−1 %
!
Pr = Lj−1 + cj  100
 100
 = Lj−1 + cj   = Lj−1 + cj
 
nj  fj  pj %

para todo r = 1, 2, ..., 99.

Relación entre Qr , Dr y Pr

A.3.3. Variación

Rango

R = máx{x1 , x2 , ..., xn } − mı́n{x1 , x2 , ..., xn } = x(n) − x(1)

Rango intercualtil

R.I. = Q3 − Q1

74
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Desviación mediana

Para distribuciones de Tipo II o Tipo III

k k
|xi − M e| · ni |xi − M e| · pi %
P P
k
DM e = i=1
= |xi − M e| · fi = i=1
X
n i=1 100

Para distribuciones de Tipo I

k
|xi − M e|
P

DM e = i=1
n

Varianza

Para distribuciones de Tipo II o Tipo III

k k
(xi − x̄)2 · ni (xi − x̄)2 · pi %
P P
k
V (X) = s2 = i=1
= (xi − x̄)2 · fi = i=1
X
n i=1 100

otra forma alternativa

k k
x2i · ni x2i · pi %
P P
k
V (X) = s =
2 i=1
− x̄ =
2
x2i · fi − x̄ =2 i=1
− x̄2
X
n i=1 100

Para distribuciones de Tipo I

k k
(xi − x̄)2 x2i
P P

V (X) = s = 2 i=1
= i=1
− x̄2
n n

Desviación tı́pica

q
s = + V (X)

75
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

Desiguadad de Schevyshev

El porcentaje de cualquier distribución que esté a menos de k desviaciones estándar (S)

de la media (x̄) es por lo menos
1
 
1− 2 %
k
donde k es cualquier número positivo mayor que 1. Este teorema es válido para todas las
distribuciones de datos.

Coeficiente de apertura

máx{x1 , x2 , ..., xn } x(n)

C.A.(X) = =
mı́n{x1 , x2 , ..., xn } x(1)

Coeficiente de variación


s ≤ 30 % homogéneo
C.V.(X) = · 100 =
|x̄| > 30 % heterogéneo

Estandarización o Tipificación

El denominado valor Z es una de las medidas de posición relativa. Dada una variable X, un valor
de Z describe la posición de una observación x relativa a la media en unidades de la desviación
estándar.
Un valor de Z negativo indica que la observación está por debajo de la media; un valor de Z
positivo indica que la observación se encuentra por encima del valor de la media.

Definición. La estandarización, tipificación o el valor Z de un valor x de un conjunto

de datos, es la distancia a la que se encuentra x por encima o por debajo de la media
aritmética, medida en unidades de la desviación estándar. Para el caso de una muestra:

X − X̄
Z=
S

76
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

A.3.4. Forma
Momentos

Momento r-ésimo con respecto al origen para distribuciones Tipo II o Tipo III
k k
xri · ni xri · pi %
P P
k
0
Mr = i=1
= xri · fi = i=1
∀ r = 1, 2, .....
X
n i=1 100

Momento r-ésimo con respecto a la Media (x̄) para distribuciones Tipo II o Tipo III
k k
(xi − x̄)r · ni (xi − x̄)r · pi %
P P
k
Mr = i=1
= (xi − x̄)r · fi = i=1
∀ r = 1, 2, .....
X
n i=1 100

Momento r-ésimo con respecto al origen para distribuciones Tipo I

k
xri
P
0
Mr = i=1
∀ r = 1, 2, .....
n

Momento r-ésimo con respecto a la Media (x̄) para distribuciones Tipo I

k
(xi − x̄)r
P

Mr = i=1
∀ r = 1, 2, .....
n

Asimetrı́a

0 Asimetrı́a positiva (sesgado a la derecha)


3(x̄ − M e) >

x̄ − M o

As1 = = = 0 Simétrica (sin sesgo)
s s 
< 0 Asimetrı́a negativa (sesgado a la izquierda)



77
juchama24@gmail.com
Contadurı́a Pública Universidad Salesiana de Bolivia

0 Asimetrı́a positiva (sesgado a la derecha)


>

M3

As2 = 3 = 0 Simétrica (sin sesgo)
s 

< 0 Asimetrı́a negativa (sesgado a la izquierda)

0 Asimetrı́a positiva (sesgado a la derecha)


>
Q3 − 2Q2 + Q1


As3 = = 0 Simétrica (sin sesgo)
Q3 − Q1 
< 0 Asimetrı́a negativa (sesgado a la izquierda)



0 Asimetrı́a positiva (sesgado a la derecha)


P90 − 2P50 + P10 >


As4 = = 0 Simétrica (sin sesgo)
P90 − P10 
< 0 Asimetrı́a negativa (sesgado a la izquierda)



Curtosis

0 Leptocúrtica

>

M4 
K1 = 4 − 3 = 0 Mesocúrtica
s 
< 0 Platicúrtica



0.263 Leptocúrtica

>

Q3 − Q1

K2 = = 0.263 Mesocúrtica
2(P90 − P10 ) 
< 0.263 Platicúrtica



A.4. Análisis Bivariante

A.4.1. Distribución de frecuencia conjunta
Datos conjunta {(x1 , y1 ), (x2 , y2 ), (x3 , y3 ), ..., (xn , yn )}
78
juchama24@gmail.com