UNIVERSIDAD AUTONOMA DEL CARIBE

FACULTAD DE INGENIERIA
INTERPRETACION DE DATOS

TALLER ESTADISTICO

ESTUDIANTE
MAILY GUTIERREZ

CODIGO
142010006

DOCENTE
CESAR BRANCO

GRUPO S1

AÑO
2021

BARRANQUILLA/ATLANTICO
Introducción

A continuación me mostraran varios conceptos básicos de coeficiente de simetría y asimetría,

coeficiente de Fisher, coeficiente de variación de Pearson, la media geométrica, media armónica y
la regla de Tchebychev. Su aplicación y para que sirven cada uno de estos.

Marco teórico

Asimetría

La asimetría es la medida que indica la simetría de la distribución de una variable respecto a

la media aritmética, sin necesidad de hacer la representación gráfica. Los coeficientes de asimetría
indican si hay el mismo número de elementos a izquierda y derecha de la media.

Existen tres tipos de curva de distribución según su asimetría:

 Asimetría negativa: la cola de la distribución se alarga para valores inferiores a la media.

 Simétrica: hay el mismo número de elementos a izquierda y derecha de la media. En este

caso, coinciden la media, la mediana y la moda. La distribución se adapta a la forma de la
campana de Gauss, o distribución normal.

 Asimetría positiva: la cola de la distribución se alarga (a la derecha) para valores

superiores a la media.

El coeficiente de asimetría de Fisher CAF evalúa la proximidad de los datos a su media x.

Cuanto mayor sea la suma ∑(x i–x)3, mayor será la asimetría. Sea el conjunto X=(x1, x2,…, xN),
entonces la fórmula de la asimetría de Fisher es:
 Cuando los datos están agrupados o agrupados en intervalos, la fórmula del coeficiente de
asimetría de Fisher se convierte en:

 Si CAF<0: la distribución tiene una asimetría negativa y se alarga a valores menores que

la media.
 Si CAF=0: la distribución es simétrica.
 Si CAF>0: la distribución tiene una asimetría positiva y se alarga a valores mayores que
la media.

Coeficiente de asimetría de Pearson

El coeficiente de asimetría de Pearson CAP mide la diferencia entre la media y

la moda respecto a la dispersión del conjunto X=(x1, x2,…, xN).
Este procedimiento, menos usado, lo emplearemos solamente en distribuciones unimodales y
poco asimétricas.
  Si CAP<0: la distribución tiene una asimetría negativa, puesto que la media es menor que
la moda.
 Si CAP=0: la distribución es simétrica.
 Si CAP>0: la distribución tiene una asimetría positiva, ya que la media es mayor que
la moda.

La media geométrica

Es un tipo de media que se calcula como la raíz del producto de un conjunto de números
estrictamente positivos.

La media geométrica se calcula como un producto conjunto. Es decir, que todos los valores se
multiplican entre sí. De modo que si uno de ellos fuera cero, el producto total sería cero. Por ello,
debemos siempre tener en cuenta que a la hora de calcular la media geométrica necesitamos
números que sean únicamente positivos.

Uno de sus principales usos es para calcular medias sobre porcentajes, pues su cálculo ofrece unos
resultados más adaptados a la realidad. Veremos ejemplos de esto más tarde, pero antes debemos
conocer su fórmula.
 F
órmula de la media geométrica

Donde:

 N: Se trata del número total de observaciones. Por ejemplo, si tenemos el crecimiento de
los beneficios de una empresa durante 4 periodos, N será 4.

 x: La variable X es sobre la que calculamos la media geométrica. Siguiendo el ejemplo

anterior, el crecimiento de los beneficios estará expresado en porcentaje y será la variable
X.

 i: Representa la posición de cada observación. En este ejemplo, podríamos ponerle un

número cada periodo. Un 1, al periodo 1, un 2 al periodo 2, etc. De manera que x 1 es el
crecimiento de los beneficios en el periodo 1, x2 el crecimiento de los beneficios en el
periodo 2, x3 el crecimiento de los beneficios en el periodo 3 y x4 el crecimiento de los
beneficios en el periodo 4.

Como ya hemos indicado este tipo de media es adecuada para calcular variables en porcentaje
o índices. Una de sus principales ventajas es que es menos sensible a valores extremos (muy
grandes o muy pequeños) que podrían alterar la media de una muestra estadística. Por el contrario,
su principal desventaja es que no puede utilizarse con números negativos.

La media armónica

 Es la recíproca de la media aritmética. Los elementos del conjunto deben ser necesariamente no

nulos. Esta media es poco sensible a los valores grandes y los infravalora respecto a la media
aritmética, pero muy sensible a los valores próximos a cero, ya que los recíprocos 1/X i son muy
altos, por lo que les da más peso que en las medias aritmética y geométrica. Si algún valor fuese
cero, la media armónica quedaría indeterminada.

Ésta no tiene un uso muy extenso en el mundo científico. Suele utilizarse principalmente para
calcular la media de velocidades, tiempos o en electrónica.

Ley de chebyshev

La desigualdad de Chebyshev es un teorema utilizado en estadística que proporciona una

estimación conservadora (intervalo de confianza) de la probabilidad de que una variable aleatoria
con varianza finita se sitúe a una cierta distancia de su esperanza matemática o de su media.

Su expresión formal es la siguiente:

X    = Valor estimado

µ    = Esperanza matemática del valor estimado

Ϭ = Desviación típica del valor esperado

k = Número de desviaciones típicas

Partiendo de esta expresión general y desarrollando la parte que queda dentro del valor absoluto
tendríamos lo siguiente:

Si prestamos atención a la expresión anterior, se aprecia que la parte de la izquierda no es más es un

intervalo de confianza. Este nos ofrece tanto una cota inferior, como una superior para el valor
estimado. Por lo tanto, la desigualdad de Chebyshev nos dice la probabilidad mínima de que el
parámetro poblacional se encuentre dentro de una determinada cantidad de desviaciones típicas por
encima o por debajo de su media. O dicho de otra manera, nos da la probabilidad de que de que el
parámetro poblacional se encuentre dentro de ese intervalo de confianza.

La desigualdad de Chebyshev proporciona cotas aproximadas para el valor estimado. A pesar de

tener cierto grado de imprecisión, es un teorema bastante útil dado que se puede aplicar a un amplio
abanico de variables aleatorias independientemente de sus distribuciones. La única restricción para
poder utilizar esta desigualdad es que k tiene que ser mayor que 1 (k>1).

Objetivos

 dar a conocer cada uno de estos conceptos, para una mejor ejecución de ellos.
 Comprender cada uno de estos con facilidad.
 Aplicar los conceptos básicos en la interpretación de datos.

Conclusión

Pudimos encontrar y entender los conceptos dados a investigar con facilidad.

Dada la información podemos aplicarlas en ejercicios.