A rwr Á 8V'I~L FAfi:' nJ~ LA·; ;

r-:;',,_.r. "~ Jc"""'fr¡;,

J J r.J"J .J .•'J) .,J'. - ¡~(í"JI,!
. J I'JI ),¡ ...r'
.:~ '.r.
.-" ;-J'
.
IV J.""'"
'r '1~~r("E'r
" 1 ," . .i .
J.JI,:.r ~ ,r

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

DR. JOSÉ NARRO ROBLES

Rector
DR. EDUARDO BÁRZANA GARCÍA
Secretario General

FACULTAD DE ESfUDlOS SUPERIORES ACATLÁN

DR. j. ALEJANDRO SALCEDO AQUINO

_ _ Director
DR. DARÍO RIVERA VARGAS
Secretario General
MTRO. JESÚS MANUEL HERNÁNDEZ VÁZQUEZ
Secretario de Estudios Profesionales
MTRO. JORGE LUIS SUÁREZ MADARIAGA llNIVERSIDAD NACIQNAI.AUT0NOMA DE l'M:xICO

Coordinador de Servicios Académicos F.\Clll1i\1J IlE ESTUDIOS SUFFI0HES ACATI..~N

MTRA. NORA DEL CONSUELO GORIS MAYANS

jefa de la División de Matemáticas e Ing nie. =~,<¡
D. G. VíCTOR HUGO HUERTA GONZÁLE '
.~--·I¡
r--=,-..--.
DGi\PA PAFlME PE 300713
.Colección Viento,)" de Crnnbio

jefe de la Unidad de Servicios Editorial rs;P' .. --,

- ~"_'
 Título: ALICIA EN EL PAÍS DE LAS ESTADÍSTICAS CON R Y 776427
EXCEL
UNA"
MariCarmen González-VfA'lg'a'~~E¡ÓJf!¡tJI~ftftb Gual
CLASIF. eA 2t::j
Primera edición: 2015.
.. 5 S7
6~.r
MATRIZ Ji> c¡ tU}.) 3
ADa. "1,16'1Z7:.
© UNIVERSIDAD NACIONAL AUTONOMA DE MEXICO Para mis profesores de
Ciudad Universitaria, Delegación Coyoacán, Literatura. En particular, para
Raymundo Ramos, Miguel
C. P. 04510, México, Distrito Federal.
Ángel de la Calleja, Rubén
Darío Medina y Rogelio López.
© FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN
Alcanfores y San Juan Totoltepec s/n. McGV

e. p. 53150, Naucalpan de Juár€z, Estado de México. Para mis profesores de

Unidad dé Servicios Editoriales. Estadística. En particular, para
Emiko Aoki, Cecy Balbás,
MariCarmen González y
ISBN: 978-607-02-6880-9 Viterbo Berberena.

LMG
Edición de la Facultad de Estudios Superiores Acatlán con
recursos de la Dirección General del Personal Académico a
través del Programa de Apoyo a Proyectos para la Innovación
y el Mejoramiento de la Enseñanza con el Proyecto PE
300713: "Vientos de Cambio: Estrategias y buenas prácticas
para el uso de ambientes virtuales en la educación superior",
cuya responsable es la Dra. María del Carmen González Vide-
garay.
Prohibida la reproducción total o parcial por cualquier método
sin la autorización escrita del titular de los derechos patrimo-
niales.
Impreso y hecho en México.
Printed and made in Mexico.
 Índice
ADVERTENCiA ................................................................................................. 9

AG RAD ECIM IENTOS ................................................................. :.•.•..•.•..••.•....• 15

l. ESTADISTICA .............................................................................................. 17
1. A todo esto, ¿qué es la estadística? ................................................ 17
2. Para qué #@& sirve la estadística ................................................. 18
3. Denme datos y moveré al mundo .................................................. 23
4. 90-60-90: Medidas, escalas y variables ....................................... 28
S. Ejercicio: Descubre un misterio histórico .................................. 38
6. Cuatro sitios web interesantes ........................................................ 42

11. ESTADIsTICA DESCRIPTIVA ................................................................... .45

7. Dibujos y tablas con estadística .................................................... ..45
8. Estar a la moda: medidas de tendencia central ....................... 51
9. Tan lejos, tan cerca: medidas de dispersión .............................. 54
10. ¿Qué tan normal es ser normal? ..................................................... 61
11. Relaciones peligrosas o correlaciones ......................................... 75
12. Ejercicio: Analicemos Facebook ..................................................... 90
1~. Cuatro sitios web interesantes ........................................................ 94

III. ESTADISTICA INFERENCIAL .................................................................. 9 7

14. Para muestra, ¿basta un botón? ...................................................... 97
15. Adivinanzas informadas: Los estimadores ............................. 110
16. Dos tipos de errores .......................................................................... 122
17. Rechazar o no la hipótesis, he ahí el dilema ........................... 136
18. Ejercicio: Hombres y mujeres que han recibido el Óscar.146
19. Tres sitios web interesantes ......................................................... 151

REFERENClAS ............................................................................................. 153

 Querido diario: Si hoy fuera el último día de mi vida,
quisiera pasarlo en mi clase de estadística ... así parecería
mucho más largo. Nota encontrada en el cuaderno de una
estudiante.
¿V de qué sirve un libro -se preguntaba Alicia- que no
tiene: diálogos ni dibujos? LEWIS CARROL, Alicia en el Pu[s de
las Maravillas.

S
iempre nos atrajo la idea de hacer un escrito que co-
menzara con una advertencia. Según el diccionario, ad-
vertir es hacer una llamada de atención, aunque el
término también significa avisar con amenazas. No te preo-
cupes, la única amenaza real es que este texto que tienes en
tus manos va de lo informal a lo irreverente y que tuvimos la
tentación de escribir una mezcla literaria-estadística-
didáctica, lo cual resultó prácticamente imposible. Quisimos
escribir un libro de estadística para personas que aman la
literatura, porque de vez en cuando hay que intentar alguna
idea loca ¿o no?
A pesar de lo anterior, creemos que el resultado puede servir
como referencia, material de apoyo, apuntes, organizador
previo o clarificador de algunas cuestiones nebulosas, tanto
de la estadística descriptiva como de la inferencia!. Es decir,
se trata precisamente de quitarle a la estadística su aspecto
amenazante y de acercarla a los interesados -o de plano, de-
sinteresados- que quieren incursionar en este tema, por gus-
to o por obligación.
En esta época en que se habla de la sociedad de la informa-
ción y del conocimiento, la estadística forma parte de casi
todos los planes de estudio de bachillerato, licenciatura y
muchos del posgrado. Inclusive aparece en los niveles bási-
cos. Se le . reconoce como instrurnento privilegiado del pen-
samiento cientifico y por lo tanto, se promueve su
aprendizaje. Sin embargo, a pesar de múltiples y variadas
iniciativas, su enseñanza continúa siendo poco exitosa.
Carmen Batanero (2001), mujer española que ha dedicado su
vida a este tema, dice con claridad que la estadística es un

"motor del desarrollo" de los países. Explica que un país
desarrollado producirá estadísticas completas, sistemáticas y
confiables. A su vez, las estadísticas deben ser el fundamento
para tomar decisiones acertadas en los terrenos económico,
social y político. Todo ciudadano bien informado debe com-
prender y juzgar las estadísticas. Cualquier parecido con lo
que ocurre en nuestro país sería realmente una coincidencia
afortunada.
Pero la estadística no consiste sólo de datos. Es una forma de
entender el mundo, construir conocimiento y aprender a
pensar. Cuando Ronald Aymler Fisher, Karl Pearson, Jerzy
Neyman y WilIiam Sealy Gosset, a principios del siglo XX,
sentaron las bases de la estadística inferencial (Lehmann,
2011), su mayor preocupación se centró en cómo tomar deci-
siones acerca de una población, con base en un subconjunto o
muestra de ella. Esta idea es importante porque, en la prácti-
ca, casi siempre debemos trabajar así, extrayendo informa-
ción de unos cuantos datos, para luego generalizarlos a
espacios más amplios.
Los métodos desarrollados a partir de entonces y hasta hoy,
han permitido que pueda generarse conocimiento válido y
confiable a través de la investigación estadística. De aquí han
surgido medicamentos curativos, más y mejores alimentos,
tecnologías maravillosas y adelantos tan poderosos, que han
incrementado la esperanza promedio de vida en México de
46.9 años en 1950 a 74.7 años en 2014 (INEGI, 2014;
Organization, 2014). ¡Un incremento de más de 27 años de
vida para cada persona! Y para quienes viven en esta época,
es sorprendente la forma en que se registran datos de mane-
ra automática: en el supermercado, con la tarjeta de crédito,
cada clic del navegador. En fin, hay enormes y variadas bases
de datos por todas partes.
Por ello, la estadística es indispensable para muchos tipos de
investigación. Desafortunadamente, las malas experiencias
con ella alejan a muchos de la actividad científica (Hsu et al.,
2009). Sobre todo al sexo femenino: sólo el 34% del Sistema
Nacional de Investigadores en México son mujeres (Foro
Consultivo Científico y Tecnológico, 2012). Para que un país
•
incremente su desarrollo y sea capaz de producir conoci-
miento, es indispensable que sus ciudadanos manejen con
soltura esta materia.
El aprendizaje de estos temas ha sido tan problemático, que
ha dado lugar a un estado clínico llamado "ansiedad estadfs-
tica", que tiene su propia etiología. antecedentes, efectos y
tratamientos específicos. Onwuegbuzie y Wilson (2003) rea-
lizaron una extensa revisión de la literatura sobre esta condi-
ción. Definieron la ansiedad estadística como: "la ansiedad
que ocurre cuando el estudiante encuentra la estadística en
cualquier forma y nivel". Sus síntomas son: preocupación
excesiva, pensamientos intrusivos, desorganización mental e
incluyen problemas fisiológicos. El artículo completo es muy
interesante y vale la pena leerlo.
Los autores señalan que entre dos tercios y cuatro quintos de
los estudiantes sufren de este problema. Es decir, la mayoría.
También parece ser la causa más importante por la cual mu-
chos alumnos no se gradúan o no concluyen investigaciones.
Al ser un problema complejo y multifactorial, él tratamiento '
no parece evidente. Algunas posibles soluciones que se han
propuesto son: agregar humor a la enseñanza, disminuir la
ansiedad matemática general, promover que los docentes
sean mujeres, usar ejemplos de la vida real y cuidar espe-
cialmente las evaluaciones. Hay mucho que trabajar en esto y
este librito intenta ser una contribución modesta.
Ahora, tanto la estadística en sí misma como las maneras de
aprenderla son algo vivo y cambiante. La enseñanza de la
estadística es un campo de estudio relativamente reciente
(Garfield y Ben-Zvi, 2007). Hoy en día, las computadoras y el
software han revolucionado la forma en que se concibe la
estadística (Meletiou-Mavrotheris. 2003), dando paso a la
construcción de la llamada estadística bayesiana (Bolstad,
2013), que tiene ventajas sobre la estadística frecuentista
convencional que visitaremos en este texto. Probablemente
veamos, en las generaciones futuras, un cambio en la didácti-
ca de la estadística que se enfocará a esta tendencia. Por aho-
ra, la mayor parte de los programas de estudio se enfocan a la
estadística tradicional.
También se ha desarrollado últimamente, en gran medida, la
llamada visualización estadística o visualización de datos
(Vau, 2011), que brinda una enorme potencia a la interpreta-
ción de las observaciones de la realidad, sobre todo con
grandes cantidades de datos. Son expresiones bellas y creati-
vas a partir de información cuantitativa. Por poner sólo un
par de ejemplos, la figura 1 muestra el mapa de los vientos en
Estados Unidos, mientras que la figura 2 es un grupo de ami-
gos en Facehook, organizado en subconjuntos o conglomera-
dos por el sitio WolframAlpha. En este último caso, el
software detecta, de manera automática, quiénes son familia,
amigas de la secundária, exalumnos, compañeros de trabajo y
demás. Para obtener tu propia visualización, entra al sitio
referido, regístrate con Facebook y escribe Faeebook reporto
Da die sobre el signo igual y ¡listo!
FIGURA 1: MAPA DE LOS VIENTOS EN ESTADOS UNIDOS.
FUENTE: (MAPCITE, 2012).
La visualización de estadísticas como las anteriores tiene un
gran valor educativo (Meletiou-Mavrotheris, 2003), sobre todo
en entornos dinámitos, amigables con el usuario y con un
buen enfoque pedagógico. De ahí la importancia de utilizar
software adecuado para la elaboración de cálculos y gráficos.
En otro orden de ideas, algunos autores (Quilici y Mayer,
2002) han concluido que parte del problema del aprendizaje
de la estadística estriba en reconocer la estructura de cada
nueva situación que debe resolverse. Es decir; los alumnos
saben seguir los pasos de un método, pero no saben qué mé-
todo deben elegir. Los libros de texto suelen colocar al final
de cada capítulo, problemas que se resuelven, precisamente,
con el contenido de ese capítulo. En la vida real -o en los
exámenes- no sabemos en qué capítulo vamos.
La mayor parte de los métodos de la estadística fueron crea-
dos para resolver problemas prácticos (Sosa, 2014). Más allá
de hacer cálculos y gráficos matemáticos, el objetivo es com-
prender cada planteamiento particular y detectar qué méto-
do estadístico debe usarse. Esto implica dos cosas: Una,
desarrollar una "conciencia estructural" que consiste en
aprender a ver los problemas al desnudo, sin la historia na-
rrada a su alrededor. Por ejemplo, todos los problemas que se
resuelven con regresión lineal tienen idéntica estructura. Lo
mismo los que se resuelven comparando dos medias, por
poner otro ejemplo. Si descubrimos la estructura subyacente,
sabremos bien cuándo aplicar este método. El otro elemento
es contar con una especie de catálogo de problemas estructu-
rales o problemas tipo.
•
.•••..,
..• •
• •
.':
:.( .i
Ii
II
Edu e.rdo ytCleaal"3,
; .. .
• '
••
••
• • • • • • • •
FIGURA 2 : VISUALIZACIÓN ESTADíSTICA DE AMIGOS DE
FACEBOOK CON WOLFRAM ALPHA.
Así, este libro ofrece un breve catálogo de problemas tipo en
la estadística clásica. Además, trata de atender algunas de las
posibles causas de la ansiedad estadística, para servir como
 prevención o tratamiento. Hemos buscado desmitificar un
tema que suele ser serio e.introducir cada aspecto de manera
suave y cotidiana. No profundizamos en ninguno de ellos,
sino que intentamos dar un muestrario general para tener Este texto fue parcialmente auspiciado por el Proyecto PA-
una visión panorámica y crear un catálogo mental de los di- PIME PE 300713, "Vientos de Cambio: Estrategias y Buenas
versos métodos. prácticas para el Uso de los Ambientes Virtuales en la Educa-
ción Superior".
No es un libro de texto formal, sino un antídoto para la ansie-
dad estadística. Tratamos de combinar la belleza de algunos Muchas gracias al excelente alumno de Matemáticas Aplica-
textos literarios con la implacable aridez de conceptos y pro- das y Computación, David Gaspar Saldívar, por ayudarnos a
cedimientos matemáticos. Agregamos, a petición expresa de revisar este texto, así como colaborar en los scripts de R y
Alicia de Lewis Carrol, diálogos y figuras que pudieran moti- hojas de Excel. Gracias al estudiante de maestría Luis Román
var y mejorar la comprensión. González Nava, por sus comentarios y sugerencias.
Para hacer las cosas prácticas e invitar a la experimentación Gracias al Dr. Al ejandro Salcedo Aquino, al Dr. Darío Rivera
con datos reales, elegimos dos herramientas computaciona- Vargas, al Lic. Jesús Manuel Hernández Vázquez, a la Mtra.
les. Una es Excel, que goza de gran popularidad y cuyo mane- Nora del Consuelo Goris Mayans, a la Mtra. feanett López
jo es relativamente sencillo. La otra es el ambiente de García, al Lic. Christian Carlos Delgado Elizondo y al Mtro.
programación R, que es un software abierto y gratuito. Sabe- Víctor Manuel Ulloa Arellano, por su gran apoyo y por brindar
mos que esta segunda opción asusta un poco a algunas per- las condiciones idóneas para la escritura académica.
sonas, pero la idea es animarte a través de ejemplos útiles,
Los autores agradecemos profundamente a Gregario Her:
. sencillos y cortos. Los ejemplos simulados han demostrado
nández Zamora, Mayra Elizondo Cortés y Luz María Lavín
tener un efecto positivo en el aprendizaje de la estadística,
Alanís, por la acuciosa revisión de este texto y sus comenta-
para que construyas significados propios y com prendas los rios que nos enriquecieron de forma significativa.
resultados que obtengas (Garfield y Ben-Zvi, 2007; Hsu et al.,
2009), más allá de realizar los cálculos. El lenguaje R se pinta La autora agradece como siempre a su hermosa familia : Ru -
solo para hacer simulaciones de manera muy sencilla. bén, Estefanía y Rubén Junior, quienes son su motivación
esencial. El autor agradece, también a su familia: Luis, Carlos,
El libro se puede leer en desorden, pero creemos que puede
Lupita y sus sobrinos; quienes son inspiración de su quehacer.
ser benéfico leerlo como novela, tal vez durante algunos via-
jes en metro o microbús, cuando estés aburrido de jugar o
enviar mensajes en el teléfono. Cuando puedas, juega en tu
computadora a replicar los ejercicios en R y en Excel. Modifí-
calos a tu gusto y observa qué sucede al hacer variantes de
ellos. Cambia los datos o las suposiciones. La mejor forma de
aprender es crear cosas nuevas, originales e interesantes.
Cuéntanos tus experiencias y dinos cómo podemos mejorar
este libro. Nos encantará saber de ti.
mcgv@unam.mx I medinagual@gmail.com
Santa Cruz Acatlán, junio 2015.
1. A todo esto, ¿qué es la estadística?
Al igual que los sueños, las estadisticas son formas de
realizar los deseos. JEAN BAUDRILLARD.

Comencemos con un breve examen -de conciencia- con op"

ciones múltiples. Sinceramente y de acuerdo con tu propia
experiencia y tus vivencias, responde a la siguiente pregunta
con la opción que consideres más adecuada: ¿Qué es la esta"
dística?
a) No tengo la menor idea.
b) Es algo así como un instrumento de tortura que usan
algunos maestros sádicos para hacer sufrir a sus
alumnos. .
c) Es una herramienta práctica que deben usar los ma"
temáticos o los ingenieros, pero no otros profesionis"
tas como sociólogos, psicólogos, abogados o médicos.
d) Es la ciencia de diseñar estudios, recolectar datos,
clasificarlos, interpretarlos y presentarlos para apo"
yar decisiones.
e) Es la base del pensamiento científico, a través de la
cual se descubren paradigmas importantes 'y progre"
sa la humanidad.
Antes de darte el resultado, podrás observar que cualquiera
de las respuestas puede ser correcta. No se trata de dar una
afirmación general, sino de identificar tu propia experiencia
alrededor de la estadística. .
Si tu respuesta fue la primera: i Excelente! Eres sincero y ese
ya es un buen comienzo. Lo importante ahora es que, además
de ser consciente de este hecho, continúes la lectura y este
pequeño texto te invite a conocer por qué en tantos progra"
mas académicos se incluye la estadística.
Si tu respuesta fue la segunda: ¡Excelente! Has tenido malas Tal como explica el buen
experiencias pero, al menos, tuviste ya contacto con la esta- Sherlock Holmes a su queri-
dlstica. Esperamos que este material pueda cambiar tu apre- do Watson, el papel más
ciación. Pensemos: si tanta gente se ha preocupado por ense- importante de los datos es
enseñar estadística ... debe ser algo valioso, ¿no crees? ayudar a comprender lo que
no es directamente visible. El
Si tu respuesta fue la tercera: iExcelente! Has percibido ya, de
mundo en que vivimos es
alguna manera, la posible utilidad de la estadística. Esto es complejo y no todo es lo que
un gran paso, pero ... ¿será realmente una materia tan difícil y parece, pero si aprendemos a
profunda que sólo unos cuantos inidados puedan manejar? leer las señales que nos
¿Quieres intentar aprenderla con un poco de diversión? Pues brinda, podremos manejarlo
de eso se trata, ¡adelante! con mucho más acierto. Es-
Si tu respuesta fue la cuarta:. ¡Excelente! Una de dos, o te latió tas señales son los datos. Es
que era la respuesta correcta o estás verdaderamente con- importante aprender a des-
vencido de que la estadística es algo que funciona para tomar cribir e interpretar los datos.
decisiones, cosa que hacemos de manera permanente. En Por ejemplo, en muchas
cualquiera de los dos casos, este material es para hacer un ocasiones, es necesario describir algo: personas, objetos o
viaje, un poco diferente, al mundo maravilloso de la estadística. ambientes. ¿Para qué necesitamos crear estas descripciones?
Si tu respuesta fue la quinta: ¡Excelente! Si en verdad fue una En general, para mostrar, explicar, tomar decisiones, contro-
respuesta espontánea, quiere decir que tu interés científico y lar o modificar circunstancias, pronosticar un comportamien-
tu inquietud de lograr cosas en beneficio de la humanidad te to y mucho más.
han llevado a apreciar las herramientas útiles en esta empre- Cuando un maestro inicia un nuevo curso, querrá conocer a
sa. Te presentaremos entonces a la estadlstica como un apoyo sus alumnos. ¿Cómo puede hacerlo? Una posibilidad seria
para el pensamiehto riguroso en la investigación. que cada quien se presentara y explicara sus características
Eso sí, esperamos que al final de este texto tu respuesta que- personales y expectativas. ¿Qué ventajas y qué desventajas
de entre las dos últimas, con un verdadero convencimiento. Si tendría hacerlo así? ¿Funcionaría bien para un grupo de vein-
es así, habremos logrado juntos una meta importante. En la te alumnos o para un curso en línea masivo de mil? ¿En qué
siguiente sección hablaremos más ac'erca de este concepto y formas alternativas podrían describirse estos grupos?
su relevancia. Si queremos describir a una sola persona, podemos recurrir a
muchas formas interesantes. Algunos escritores han redacta-
2. Para qué #@& sirve la estadística do párrafos como los siguientes:
Era de alta estatura, algo delgada,. e incluso en los últimos días
"Pero su esposa, -usted dijo que había dejado de amarlo ," muy demacrada. Intentaría yo en vano describir la majestad, la
"Este sombrero no ha sido cepillado en semanas. Cuando lo tranquila soltura de su porte o la incomprensible ligereza y
vea a usted, mi querido Watson, con la acumulación de flexibilidad de su paso. Llegaba y partía como una sombra. EDGAR
polvo de una semana en su sombrero. y cuando su esposa lo ALLAN POE, Ligeia.
deje salir en semejante estado, temeré que haya sido tan
desafortunado como para perder el afecto de su mujer."
ARTHUR CONAN DOYLE, Las Aventuras de Sherlock Ha/mes.
 Isabel Archer era una persona joven con muchas teorlas; su
imaginación ,era sumamente activa. Tenía la fortuna de poseer
una mente más refinada que la mayoría de las personas a su
alrededor; una mayor percepción de los hechos de su entorno y
un interés especial en 'el conocimiento teñido por aspectos poco
familiares, HENRY JAMES, Retrato de una Dama.
Son dos descripciones bastante claras
y ciertamente geniales. Sin embargo;
describir a un grupo de personas y
organizar la información obtenida es
un asunto diferente. Lo que funciona
para una persona no necesariamente
es adecuado para muchas. Lo mismo
puede decirse en otros casos: la des-
cripción de un gran conjunto de ele-
mentos deberá destacar . aquellos
aspectos que' los hacen semejantes o
diferentes entre sí, para dar una vi-
sión general, sin especificar con deta-
lle las cualidades de cada uno de ellos. Por ejemplo, un grupo
de mil estudiantes puede describirse a través de mediciones
generales, promedios, gráficas, etcétera, es decir, de instru-
mentos estadísticos.
Supongamos .ahora que deseamos conocer, por ejemplo, el
impacto que tendrá el uso de un nuevo método para dismi-
nuir la contaminación ambiental que producen los automóvi-
les. Si desconocemos los efectos generales y consecuencias de
este método, sería incorrecto y poco ético aplicarlo para ver
qué pasa y luego tal vez decidir que no fue bueno. Si conside-
ramos que es efectivo, podríamos probarlo en un pequeño
grupo de autos y medir sus resultados. ¿De cuántos autos
tendría que ser este "pequeño grupo"? ¿Sería igual elegir los
autos de este grupo al azar o al gusto del investigador? ¿Esta
elecCiÓn podría modificar los resultados? ¿Sería conveniente
-o necesario:" comparar los resultados con los de otros autos
que no hagan uso del nuevo método? Responder a este tipo
de preguntas constituye la planeación de una investigación.
Ésta es otra aplicación fundamental de la estadística.
Con este mismo ejemplo, imaginemos que realmente aplica-
mos el método a un pequeño grupo de automóviles. Una pre-
gunta adicional sería: ¿Cómo determinamos si fue o no
realmente eficaz? ¿Sería posible generalizar nuestras conclu-
siones a otros autos de marcas, modelos y años distintos?
¿Cómo podríamos comprobar la hipótesis de que el método X
es mejor que otros métodos Y o Z? A esto se. llama obtención
de conclusiones y comprobación de hipótesis. Esta maravilla
es otro usode la estadística.
Así, los objetivos de la estadística pueden resumirse en tres:
• Organizar y describir información de grupos: Esto se
hace con la estadística denominada descriptiva que in-
cluye la obtención de medidas características de .una
población, así como la elaboración de tablas y gráficas.
• Planear investigaciones: Para ello utilizamos mues-
treo, diseño de experimentos y metodología de la in-
vestigación. Todos forman parte de la estadística
llamada inferencial y son el fundamento para que los
resultados tengan validez.
• Obtener conclusiones y comprobar hipótesis a partir
de los datos: En esta categoría se incluyen la estima-
ción de parámetros, pronósticos y pruebas de hipóte-
sis, entre otros. Los datos por lo general incluyen
incertidumbre y la estadística nos ayuda a trabajar
con ella y a pesar de ella. También éstos son aspectos
de la estadística inferencial.
Así pues, la estadística tradicional o frecuentista se divide en
dos grandes ramas:
La estadística descriptiva, que sirve para organizar y pre-
sentar la información de un conjunto de datos, tanto de forma
numérica como a través de gráficas.
La estadística inferenclal, que permite obtener conclusio-
nes sobre un gran conjunto de elementos o mediciones (po-
blación) a través de la selección cuidadosa de un subconjunto
(muestra) relativamente pequeño y de una serie de procedi-
mientos rigurosos para el análisis.
Para cerrar este tema, podemos comentar aquí que Jessica
Utts (2003) propone que todo estudiante de estadística debe-
rla comprender bien siete ideas que, además, ayudarán a
convertirlo en un ciudadano bien educado. A saber:
• Cuándo. se puede concluir -y cuándo no- que un
evento es causa de otro.
• La diferencia entre el concepto de significancia esta-
dística e importancia práctica, sobre todo al trabajar
con muestras grandes.
• La diferencia entre concluir que "no hay relación" o
"no hay diferencia", contra concluir que "no hay rela-
ción significativa" o "no hay diferencia significativa",
sobre todo al trabajar con muestras pequeñas.
• La idea de "sesgo" y sus principales fuentes de ocu-
rrencia, tanto en encuestas como en ·experimentos.
• La noción de que las coincidencias y ciertos eventos
que parecen improbables, son bastante comunes, da-
do que en la vida real existen muchísimas posibilida-
des.
• Evitar la confusión de ideas entre la probabilidad
condicional de A dado B y su probabilidad inversa, de
B dado A.
• Comprender que la variabilidad es algo natural inhe-
rente a muchos fenómenos, y que no son lo mismo el
comportamiento "normal" y el comportamiento
"promedio",
Por su parte, Garfield y Ben-Zvi (2007), consideran que exis-
ten tres niveles en el aprendizaje de la estadística (figura 3).
La mayor parte de las personas podemos vivir felices con una
cultura estadística básica. Algunas personas requerirán, por
motivos de su profesión, hacer uso de razonamientos estadísti-
cos formales. Entre ellos podemos incluir·á todos los investiga-
dores de corte cuantitativo y algunos cualitativos. También
quienes realizan análisis de datos reales o quienes utilizan
simulaciones. Por último, existe un sector que se dedica a
desarrollar mejores procedimientos estadísticos, por lo cual
deben contar con un pensamiento de este tipo.
Pensamiento
estadfstico
Razonamiento
/ estadrstico
FIGURA 3: NIVELES DEL APRENDIZAJE DE LA ESTADISTICA.
FUENTE: (GARFIELD y BEN-ZVI, 2007) .
En este texto trataremos de abordar las ideas básicas, en los
temas correspondientes, para forjar la "cultura estadística"
(Batanero, 2004) indispensable para el siglo 21.
Denme datos y moveré al mundo
"¡Datos! ¡Datos!" gritó con impaciencia. "No puedo
hacer ladrillos sin arcilla," ARTHUR CONAN DOYLE, Las
Hayas Cobrizas.
Efectivamente, el insumo principal de la
estadística son los datos que, trabajados
con nuestro pensamiento, más los cálcu-
los y las gráficas, son los instrumentos
adecuados para comprender los proble-
mas reales. Con ellos ideamos y construimos soluciones. En
cierta forma, la estadística está indefensa sin datos. El inves-
tigador debe conjuntar siempre las ideas y explicaciones teó-
ricas, con la observación de la realidad, para ver si las
primeras se ajustan al mundo y si, por ende, resultan útiles e
interesantes. Así pues, datos Y estadística son una pareja in-
disoluble.
Existen dos formas de obtener datos. La primera -y tal vez la
más apasionante- es ' recabarlos directamente a partir del
fenómeno que observamos. Si quiero, por ejemplo, saber el
número de "amigos" que tienen los adolescentes en Face-
book, podría hacer una encuesta y preguntar a varios de
ellos. Esto suele ser más tardado y más costoso. Por ejemplo,
yo hice esta pregunta a diez'adolescentes Y me respondieron:
134,147,134,128,153,148,160,128,124,151, respectiva-
mente.
La segunda forma es acudir a una fuente donde ya estén re-
gistrados los datos. Esto facilita el trabajo, pero debemos uti-
lizar sólo fuentes confiables porque ya no estaremos en
contacto directo con la realidad. Ejemplos típicos de estas
fuentes son el Instituto Nacional de Estadistica y Geografía o
INEGI, el Banco Mundial o el Banco de México. En el caso an-
terior, puedo rescatar el número promedio de amigos de Fa-
cébook en el mundo, de un sitio web que ofrece esta
estadística: 130 (Statistics Brain, 2014). Por cierto, observa
que cada vez que uso ideas de otro autor o datos de alguna
fuente, coloco la cita correspondiente, como debe ser. El dato
130 es un promedio, pero resulta parecido a los datos que yo
recabé de algunas personas.
Ahora, para ver y manipular los datos es conveniente alma-
cenarlos en algún software de computadora. En este texto
usaremos dos. Excel, que es muy conocido y popular; y R, que
es gratuito y de altísima calidad, con su interfaz RStudio. Re-
visa la sección 13 para descargar e instalar ambos.
Para colocar correctamente los datos en la hoja de Excel los
escribimos en una columna cuyo encabezado será, por ejem-
plo, Amigos. Luego guardamos la hoja como archivo separado
con comas o CSV (comma separoted value). Observa cuatro
aspectos importantes:
a) Cada variable, en este caso el número de amigos, se
guarda en una columna de la tabla. Podría guardarse
en un renglón, pero esto te daría problemas porque
no es el formato estándar y dificultarla los cálculos. Si
necesitas más variables, pones m¡\s columnas. Por
ejemplo, podrías poner otra columna con la edad de
cada chico encuestado.
b) Te sugiero que designes a cada variable con un título
claro pero corto, de una sola palabra. Así se facilitará
~u uso en el entorno de R. Ejemplos: Amigos, Edad.
Estos son los nombres de tus variables.
c) Los datos deben estar "limpios", es decir. no debe
agregarse a ellos otro texto, notas, títulos, leyendas,
gráficos o explicaciones. Ni siquiera hacen falta for-
matos espectaculares con colores y sombreados. De-
jamos sólo los datos y ya. Poner otras cosas puede
crearte también problema para los cálculos o para pa-
sarlos a otro software. Las gráficas y cosas lindas se
ponen en otro archivo, ¿ok?
d) El estándar internacional para guardar archivos de
datos es CSV. Excel te permite guardar tablas CSV sin
problema, sólo elige Guardar como ... y la opción co-
rrespondiente, donde dice: delimitado por comas. Re-
siste la tentación de guardar tus datos con el formato
normal de Excel. Ése déjalo para poner tus gráficas y
otros cálculos, no los datos, ¿de acuerdo?
Bien, esto significa que ya tienes un conjunto de datos guar-
dado de manera decente en Excel (figura 4). Supongamos que
tu archivo se llama Facebook.csv. Más adelante haremos al-
gunos cálculos divertidos con ellos. Ahora vamos a colocar
esos mismos datos en R, utilizando el software RStudio, que
es un entorno que ayuda a trabajar en un ambiente más
agradable.
 A B Ahora, seleccionamos la instrucción anterior con el ratón y
1 IAmigos Edad damos clic sobre Run. Hemos creado· un arreglo que se llama
2 134 13. Datos y que contiene los diez valores. Para verificar esto pue-
3 147 14 des escribir en el siguiente renglón:
4 134' 14· Da t os
5 U8 15 y dar dic sobre Run . Observarás como resultado:
6 153 ' 14 ( 1 1 1 3 4 1 47 134 1 28 15 3 1 48 1 60 128 12 4 151
7 148 15 Así pues, los datos han sido almacenados sin problema. El [1]
8 160 13: indica que el elemento 134 es el primer elemento del arreglo.
9 I 128 16 Cada valor tiene una posición específica, de la 1 a la 10. ¿Va-
", 0 II 124 13 mos bien?
11 I 151 14 Ahora puedes hacer operaciones sencillas o más complicadas.
FIGURA 4: DATOS CAPTURADOS EN EXCEL. Si te interesa obtener la media o promedio de los datos, es-
Como son pocos datos -diez-, tenemos dos opciones: teclear- cribes mean ( Datos), teniendo cuidado de usar la palabra Da-
los directamente en RStudio o leerlos automáticamente des- tos tal como la definimos antes. El resultado debe ser 140.7,
de la tabla de Excel. Si fueran muchos datos, s610 usaríamos que es el promedio de amigos en Facebook por persona, con
la segunda opción, ¿no lo crees? Veamos entonces cada alter- estos diez datos. Veamos ahora la segunda opción.
nativa. Opción Z: Leer automáticamente los datos del archivo
Opción 1: Escribir manualmente los datos en RStudio. CSV desde RStudio.

Para ello creamos un pequeño programa llamado script. Esto Para ello escribes la siguiente instrucción:
se hace dando clic sobre el icono de hoja nueva que aparece Dat os < - r ead.csv{ f il e . choo se())
en la esquina superior izquierda. Al hacerlo tendrás una hoja Es decir, le indicas a R que lea una hoja CSV y que busque el
en blanco que puedes guardar oprimiendo el icono corres- archivo. Al ejecutar la instrucción con Run, te pedirá seleccio-
pondiente y dando un nombre adecuado. Si vas almacenando nar el archivo que creamos antes en Excel. Una vez elegido este
tus scripts, dispondrás de ellos cuando lo desees. archivo, podemos escribir nuevamente Datos y ejecutar Run.
Para crear un arreglo o vector con los datos anteriores, escri- :> Datos
bimos el siguiente par de renglones: Amig09 Edad
1 134 13
Dat os <- c(13 4, 1 47 , 1 34, 1 28, 1 53 , 1 48 , 160,
2 147 14
1 2 8, 1 2 4, 1 51 )
3 134 14
La letra "e" significa que vamos a concatenar u organizar los 4 12 & 15
5 153 14
diez datos en un vector. No te asustes, un vector en este caso
6 148 15
es como una caja con diez huequitos, en cada uno de los cua- 7 160 13
les se acomoda un valor. El vector completo se llama Datos. 8 1 28 16
Los signos <- son una especie de flecha que indica que los 9 124 13
valores de la derecha se guardarán con el nombre de la iz- 10 151 14
quierda. FIGURA 5: RESULTADO DE LA CAPTURA DE DATOS EN RSTUDIO.
El resultado es parecido, pero no idéntico, como puedes ver
en la figura 5. Los datos siguen siendo los mismos, pero ya no
son un arreglo o vector, sino algo llamado Data Frame, que es
.
.".
I
.,
, '.'
I •
I
~
.......
, ... .
,.'
/
• .. ,
Pero muchas. veces sí necesitamos
contar. Cuando queremos descri-·
bir a un grupo de personas u
un cuadro o tabla de datos. Verás que el resultado incluye •• I l' objetos, es muy conveniente de-
I •
también los nombres de cada columna. La ventaja es que po- terminar aquellas características
demos leer así muchos datos y varias columnas, al mismo que nos interesan y que varían de
tiempo. individuo a individuo. Para poder
entendernos y, sobre todo, para
Ahora, si queremos obtener el promedio de los datos de la hacer comparaciones entre distin-
primera columna, debemos indicar que queremos usar la tos individuos o grupos, debemos
columna llamada Amigos dentro del cuadro llamado Datos. identificar qué cualidades se po-
Esto se escribe así: seen y, de ser posible, en qué gra-
mean (Datos$Amigos) Grabado de Liliana do. Esto es, requerimos medir.
Cuautle.
Prueba y obtendrás el mismo valor anterior, ¿no es cierto? Se llama medición a la descrip-
Con este sencillo procedimiento puedes leer enormes cua- ción de datos en términos cuanti-
dros de datos, con tantas variables (columnas) yobservacio- tativos o cualitativos, de acuerdo con un conjunto de reglas y
nes (renglones) como quieras. La única limitación será la estándares bien definidos.
potencia de tu computadora. Hay cosas relativamente fáciles de medir y hay otras muy
Ahora ya sabes cómo guardar datos en Excel, dentro de una difíciles. Es fácil medir la estatura o el peso, o.contar el número
hoja CSV y cómo trasladarlos a RStudio. En seguida hablare- de mujeres y hombres en un grupo. Es menos sencillo medir
mos de los tipos de datos que podemos manejar. conocimientos y resulta mucho más complicado medir la
personalidad o las emociones. ¿De dónde proviene la dificultad?

90-60-90: Medidas, escalas y variables
4.
Aunque no se conozca, existe el número de las estrellas y el
número de los granos de arena. Pero lo que existe y no se
puede contar y se siente aquí dentro, exige una palabra para
decirlo. Esta palabra, en este caso, sería inmensidad. Es
como una palabra húmeda de misterio. Con ella no se
necesita contar ni las estrellas ni los granos de arena. Hemos
cambiado el conocimiento por la emoción, que es también
una manera de penetrar en la verdad de las cosas. ERMILO
ABREU GÓMEZ, Canek.
Observarás que en los primeros ejemplos existen estándares
y formas de medir en las que prácticamente todos estamos de
acuerdo. No ocurre lo mismo en los otros casos.
Para entender mejor qué son las medidas y sus diversos gra-
dos de precisión, es conveniente revisar una clasificación
importante: las escalas o niveles de medición. Presentare-
mos las escalas en un orden jerárquico, de inferior a superior
en cuanto a su nivel de precisión. Existen escalas nominales,
ordinales, de intervalo y de razón. Veamos cada una.
La medición en una escala nominal consiste simplemente en
asignar los datos a categorías cualitativamente distintas. Pri-
mero se crea un conjunto de clases y luego se coloca cada
observación en una sola clase. Por ejemplo, las personas se
pueden clasificar por su género, signo del zodiaco o naciona-
lidad.
Por supuesto, las categorías se pueden "bautizar" también
con números, pero estos valores seguirán siendo nombres de
clase y no se puede operar matemáticamente con ellos. Por
ejemplo, si definimos el número uno para representar al gé-
nero masculino y el número dos para el femenino, no signifi-
ca que la suma de dos hombres sea igual a una mujer, o que
una mujer valga el doble que un hombre (por feministas que
seamos). Así, "1" y "2" en este caso son únicamente denomi-
naciones de los grupos y carecen de valor numérico.
La única operación matemática que se puede hacer en la es-
cala nominal es. contar cuántos elementos corresponden a
cada clase. Se puede hacer, por ejemplo, una gráfica de barras
o columnas con estos números y las clases.
Ejemplos de esta escala son: número de alumnos en cada
licenciatura; número de personas que viven en cierto estado
del país; cantidad de plantas de cierta clasificación biológica.
La escala ordinal también clasifica a los elementos, pero
utiliza para ello una dimensión ordenada. Por ejemplo, es
posible categorizar a las personas según su lugar en alguna
pru'eba; identificar niveles socio-económicos; u otorgar pri-
mero, segundo y tercer lugar en una carrera de atletismo. Sin
embargo, esto no significa que el tercer lugar haya logrado
una velocidad equivalente a un tercio de la del primer lugar,
ni que dos primeros lugares hagan un segundo. Esto es, aquí
tam poco pueden hacerse operaciones matemáticas pero las
cIases tienen un orden significativo.
Un ejemplo dpico de esta medición son las escalas de Likert,
en las que pedimos a las personas que indiquen, dell al 5, su
grado de desacuerdo o acuerdo con una idea. Aunque se pue-
den obtener conteos, promedios y gráficas, deben manejarse
con prudencia. Si una persona pone 2 y otra 4, no significa
que la segunda esté el doble de acuerdo que la primera. Así
pues, haremos los cálculos pero tendremos presente que no
son medidas precisas sino aproximaciones a la realidad.
En la escala de intervalo, en cambio, el valor de una diferen-
ciade cierta roagnitud significa lo mismo en todos los puntos
que se pueden medir. Esta escala implica contar .con una c\a-
sificación formada por unidades iguales y magnitudes cons-
tantes.
Por ejemplo, si tomamos las calificaciones de un examen,
podemos suponer que la diferencia entre sacar diez u ocho,
es la misma diferencia entre obtener seis o cuatro. Sin em-
bargo, sería ir demasiado lejos pensar que esas diferencias
equivalen a cantidades iguales de conocimientos o que un
cero en la prueba equivale a desconocer el tema por comple-
to. No podemos decir que el alumno que obtuvo ocho en un
examen sabe el doble que quien obtuvo cuatro.
La gran ventaja de esta escala es que puede usarse para hacer
operaciones matemáticas, con lo cual será posible encontrar
mediciones resumidas y fáciles de comparar con otras de
poblaciones similares. Sin embargo, también debe usarse con
cuidado porque no son medidas absolutas.
Por último, la escala de razón ofrece el máximo nivel de pre-
cisión, ya que se forma por intervalos iguales más un punto
cero significativo que representa la ausencia total de la carac-
terística que se mide.
Por ejemplo, la escala de grados Kelvin para temperatura
tiene un cero absoluto que significa la ausencia total de tem-
peratura; una longitud nula implica la carencia de este atribu-
to en un objeto ... o la inexistencia del objeto.
En esta escala los intervalos de longitud igual sí significan
cantidades iguales de la característica medida. Un niño puede
medir el doble de otro; una persona puede tener la mitad' de
la edad de otra; una muestra de sangre puede tener el triple
de glóbulos blancos que la cantidad normal.
Por ello, la escala de razón permite usar operaciones mate-
máticas sin problemas ni reservas.
Puesto que en las ciencias sociales o en las humanidades es
virtualmente imposible definir un punto cero absoluto para
muchas características, las escalas de intervalo suelen ser
suficientes. En cambio, disciplinas relacionadas con las cien-
cias físicas, químicas o biológicas utilizan sobre todo escalas
de razón. Todas ellas ocupan también escalas nominales y
ordinales, según los requerimientos de cada objeto de estudio.
BIBLIOTECA CENTRAL
Ahora, aquello que se mide puede ser variable o constante.
Llama¡'emos constante a una medición que, cada vez que se
realiza, arroja un mismo valor. Se acostumbra denotar a las
constantes por números o letras que las representan, como la
letra griega Tr = 3.14159265359 ..., que representa el número
de veces que cabe el diámetro en la circunferencia;' el número
de Euler o constante de Napier, e = 2.71828182846 ..., muy
usado en matemáticas; o la constante de aceleración de la
gravedad, B = 9.81 m/s2. Los puntoS suspensivos indican que
los decimales continúan. Estos números son especiales, di-
gamos que tienen abolengo, reflejan características intere-
santes de la vida real y son muy útiles.
En cambio, una variable es una medición que puede tomar
distintos valores según el objeto de estudio o sus circunstan-
cias. Para ellas se suelen utilizar las últimas letras del alfabe-
to: x, y, z. Generalmente contienen algún valor que deseamos
encontrar o que nos interesa observar, pero que no conoce-
mos de antemano.
Según el propósito que tenga un investigador, seleccionará
sus variables de interés. Por ejemplo, se puede indagar acerca
de una persona en cuanto a: género, edad, área de estudios
profesionales, ingreso mensual, cociente intelectual, prome-
dio obtenido en la licenciatura, estado civil, número de hijos,
nivel socio-económico, comida favorita, intención de voto,
amigos en Facebook, etcétera. Todo estará en función de qué
se desea saber. Se pueden medir procesos físicos, químicos,
biológicos, sociales, históricos, artísticos, emocionales.... Con
ingenio, prácticamente todo se puede medir.
Aunque todas son variables, existen diferencias entre ellas.
Algunas pueden ser cuantificadas" es decir, expresadas con
números de forma que tenga sentido hacer operaciones con
ellas y se llaman, por lo tanto, variables cuantitativas o
numéricas. Como ejemplos tendríamos: edad, ingreso men-
sual, promedio obtenido en la licenciatura y número de hijos.
Otras se clasifican por nombres y se llaman variables cuali-
tativas o categóricas. Indican la ausencia o presencia de una
cualidad o la posible pertenencia a una cierta categoría. Entre
ellas podemos mencionar: género, área de estudios profesio-
nales, estado civil, nivel socio-económico, comida favorita,
lugar de nacimiento o signo del horóscopo chino.
Adicionalmente, las cuantitativas pueden ser variables dis-
cretas, si sólo toman valores dentro de un conjunto contable
o numerable. El número de hijos es una variable cuantitativa
discreta que sólo puede tomar como valores posibles: cero,
uno, dos, etcétera. O pueden ser variables continuas, si to-
man valores tanto enteros como reales o fraccionarios, den-
tro de un intervalo de puntos. El ingreso mensual, en este
caso, es una variable cuantitativa continua, ya que puede ir
desde el salario mínimo (si la persona tiene un trabajo for-
mal) hasta el "salario máximo" (tal vez de un político o em,
presario poderoso), pasando por un rango de puntos infinitos
entre uno y otro.
Por su parte, las cualitativas se dividen, como hemos visto, en
variables nominales, si sólo indican la posesión de alguna
cualidad o la pertenencia a cierta cIase, y en variables ordi-
nales, si existe una relación posicional o de orden entre las
clases. Por ejemplo, de las anteriores, ¿cuál sería evidente-
mente ordinal? El nivel socio-económico.
Ahora que hemos avanzado en estos conceptos, podemos dar
un paso más. Hemos distinguido las variables por la precisión
con que pueden representarse, pero existe otra razón para
diferenciarlas: el papel que juegan al relacionarse unas con
otras.
En ese sentido, es posible clasificar a las variables como de-
pendientes e independientes.
Una variable dependiente representa algún resultado o
característica que nos interesa medir y que está en función
de otras variables, a las que llamaremos independientes. Es
decir, la variable dependiente es el efecto de una causa o la
respuesta a un estimulo.
Se habla entonces de que una variable es dependiente de otra
cuando un cambio en la segunda modifica los posibles valo-
res resultantes de la primera. Es más probable tener un acci-
dente de automóvil si el conductor ha consumido alcohol en
exceso, así pues, la ocurrencia de este tipo de accidentes es
una variable que depende del consumo de alcohol, aunque
también pueda ser dependiente de otras variables indepen-
dientes adicionales, como la lluvia, la visibilidad o la veloci-
dad.
Una variable independiente es, en cambio, aquella que oca-
siona el resultado, esto es, se trata de la causa del efecto o del
estímulo que produce la respuesta de interés. En algunas
ocasiones estas variables pueden ser manipuladas por el in-
vestigador, precisamente para observar los cambios que pro-
ducen en la variable dependiente. Habrá otros casos en que el
investigador no pueda modificar a su arbitrio estas variables,
pero generalmente le será posible registrar los valores ocu-
rridos en la variable dependiente para los correspondientes
de la o las independientes, generados por las circunstancias.
Así, se dice que dos variables son independientes entre sí
cuando la ocurrencia de una de ellas no modifica en absoluto
la probabilidad de ocurrencia de la otra. En el ejemplo ante-
rior es factible creer que la ocurrencia de accidentes automo-
trices es una variable independiente de, por ejemplo, el color
de ropa del conductor o el tipo de vestidura de los asientos.
Como podrás imaginar, algunas relaciones de dependencia
son evidentes y otras requieren de análisis y pruebas cuida-
dosas. Una forma muy sencilla de saber cuál variable es de-
pendiente y cuál es independiente es formular tu problema
de investigación con un "si - entonces". En el ejemplo anterior
podrías decir algo como: "si una persona es más inteligente,
entonces obtendrá mayor promedio". Siempre, lo que va des-
pués del "si" es la variable independiente, y lo que va después
del "entonces" es la variable dependiente.
Podríamos pensar que el promedio que obtendrás en la licen-
ciatura es una variable que depende, entre otras cosas, de tu
inteligencia, del tiempo que dediques a estudiar y de la forma
de calificar de tus maestros. Imaginamos también que, por
decir algo, la profesión de una persona y su comida favorita
son variables independientes entre sí.
Resulta también lógico suponer que el nivel socio-económico
de una persona depende de su ingreso mensual, pero no es
igualmente sencillo determinar si está en función de su edad,
sexo, profesión o nivel educativo. Estas posibles relaciones
abren preguntas de investigación interesantes.
Identificar relaciones de dependencia entre variables es fun-
damental para apoyar la correcta toma de decisiones en to-
dos los ámbitos del conocimiento. Al decidir, generalmente
tratamos de seleccionar aquellas acciones que nos conduci-
rán a un objetivo de interés. Podemos ver entonces a este
objetivo como la variable dependiente para la cual buscamos
las varia bIes independientes que sean más efectivas y sobre
cuyos valores podamos incidir.
Algo semejante ocurre en los avances del conocimiento cien-
tífico: muchos de ellos consisten precisamente en encontrar y
verificar relaciones de causa y efecto. Por ejemplo, determi-
nar que un medicamento cura cierta enfermedad, que un
hábito previene algún problema o que un conjunto de cir-
cunstancias aumentan la probabilidad de un desastre, pue-
den ser pruebas estadísticas que ' incrementen nuestro
bienestar o inclusive salven vidas.
De aquí la gran importancia de revisar cuidadosamente las
posibles relaciones entre variables. Algunos aspectos éticos o
discriminatorios tienen que ver también con esto. Hace tiem-
po se consideró que las personas de raza negra o las mujeres
eran menos inteligentes que los hombres blancos. Por su-
puesto, se hubieran evitado muchas desgracias y problemas
si dichas aseveraciones se hubieran sujetado a pruebas esta-
dísticas serias.
Las relaciones entre dos variables pueden observarse de ma-
nera gráfica si se elabora un diagrama de dispersión, en el
cual se utiliza generalmente la letra x para representar a la
variable independiente, así como la letra y para la variable
dependiente.
Puedes crear este tipo de diagramas en Excel con el asistente CUADRO 1: DATOS ANUALES DE M~xlco. FUENTE: (THE
para gráficos identificado por el icono que muestra la figura 6. WORLD BANK, 2014).IPC=INGRESO PER CÁPITA EN DÓLARES
INTERNACIONALES. PIB=PRODUCTO INTERNO BRUTO EN
DÓLARES ESTADOUNIDENSES. EV=EsPERANZA DE VIDA EN .
AÑOS.
l •.•• . . Año IPe Población PIB EV
~ 2004
2005
10,860 109,381,550 770,267,585,947 75.24
11,750 110,731,826 866,346,483,685 75.49
Dispersión 2006 12,840 112,116,694 966,735,935,558 75.74
2007 13,330 113,529,8~ 9 1,043,394,940,068 75.98
FIGURA 6: DIAGRAMAS DE DISPERSIÓN EN EXCEL. 2008 14,030 114,968,039 1,099,073,123,655 76.23
2009 13,780 116,422,752 895,313,142,212 76.46
En este sistema de ejes coordenados se señala con un punto
la intersección que corresponde al valor observado de ambas 2010 14,590 117,886,404 1,051,627,949,327 76.69
variables y de esta manera resulta más fácil advertir alguna 2011 15,650 119,361,233 1,170,085,556,896 76.91
posible influencia que, por supuesto, deberá tener alguna 2012 15,910 120,847,477 1,186,460,890,130 77.14
explicación razonable para ser tomada en cuenta. 2013 16,110 122,332,399 1,260,914,660,977 77.00
Veamos un ejemplo interesante. En la página del Banco Mun-
dial podemos encontrar datos tales como ingreso per cápita,
población, producto interno bruto y esperanza de vida en Por ejemplo, podríamos suponer que la esperanza de vida
(variable dependiente) está relacionada con el ingreso per
México, a lo largo de varios años (cuadro 1). Colocamos esos
datos en Excel, de la forma ya explicada en la sección ante- cápita (variable independiente). Es decir; a más ingreso, me-
rior. Aunque aquí les hemos puesto formatos como letras jores condiciones para las personas y por lo tanto, más años
de vida en promedio.
cursivas y comas, para facilitar la lectura; en tu hoja CSV no
deben tenerlo, para evitar problemas al manipularlos. Puedes Para explorar esta idea, grafiquemos la variable dependiente
tomar estos datos directamente de la página del Banco Mun- en el eje vertical y la independiente en el eje horizontal. Para
dial para hacer el ejercicio. ello podemos leer los datos en RStudio y luego pedimos la
gráfica:
En este caso todas las variables son de tipo cuantitativo o
numérico. La población tendría que ser una variable discreta, Datos <- read.csv(file.choose( )
porque no admite valores fraccionarios, lo mismo los años. Datos
Todas las demás variables son de tipo continuo. p lo t {Da tos$I PC,Datos$ E:V, x lab=" I ng reso per
Todas estas variables son importantes para nuestro país. cáp i ta ", y lab= "Esperanza de v ida" )
Puedes pensar que algunas de ellas están relacionadas entre
sÍ.. Esta idea puede explorarse a través de una gráfica o dia- En esta última instrucción escribimos primero la variable
grama de dispersión donde cada punto se obtiene como la independiente x, luego la variable dependiente y, y después
pareja ordenada de una variable independiente y una depen- los títulos o etiquetas de los ejes. El resultado está en la figu-
diente. ra 7. ¿Qué piensas acerca de esta gráfica?
 ¿Cuál suceso histórico es? Eso tendrás que descubrirlo tú.
o
q Vamos a cargar la base de datos.
1"-
t-
- o
# Lo que inicia con este símbolo es un comentario y R
o
I no l o ejecutará.
'"
'"
t-
- o
• Leeremos a continuación la base de datos que
o
o # contiene la información.
<D - o
t- misterio <- read.csv(file.choose(»
o
Después de cargar la base de daros pidamos a R que nos indi-
o que qué variables tiene la base, es decir, que nos muestre los
o títulos de cada columna.
I I I I
names{misterio)
11000 12000 13000 14000 15000 16000
Como puedes observar, la base está compuesta por cuatro
Ingreso per cápita variables: "Clase.Social", "Edad", "Sexo" y "Sobreviviente".
FIGURA 7: ESPERANZA DE VIDA CONTRA INGRESO PERCÁPITA
Veamos qué valores tiene cada variable, con las siguientes
EN MÉxIco. FUENTE: (THEWORLD BANK, 2014). instrucciones:
attach(misterio)
Hablaremos más sobre posibles relaciones de causa y efecto
en la sección 11. table(Clase.Social)
table(Edad)
table(Sexo)
5. Ejercicio: Descubre un misterio histórico
table(Sobreviviente)
Propósitos: Con las funciones anteriores, R hace un recuento de cuántas
• Identificar los procedimientos básicos para utilizar veces se observa en la base cargada cada posible valor que
una base de datos en R. adquiera una variable. Así, encontramos que la variable
"Edad" tiene dos tipos de valores, ':Adulto" (N=2 092 casos) y
• Analizar patrones y relaciones entre variables nomi- "Niño" (N=109). Otra forma de obtener el nombre de los valo-
nales o categóricas. res que puede adquirir una variable es con la función l e-
A continuación iniciaremos nuestro primer ejercicio para vels () y el nombre de variable dentro del paréntesis.
explorar R y RStudio. InténtaIa. Ya lo veremos más adelante. Es importante men-
cionar que todas las variables fueron codificadas como cade-
Para iniciar, cargarás la base de datos "MisterioHist.csv", ubi- na (con palabras) Yo aunque la "Edad" pudo haber sido
cada en el sitio web www.inteligencianet.org, usando el co- codificada con números (ej. 17 años, 25 años), el autor de la
mando read. csv o abriendo la base desde RStudio, como se base de datos decidió agrupar a los sujetos en ':Adultos" y
explica abajo. Esta base contiene los datos de un grupo de "Niños". Por cierto, ¿por qué crees que en "Clase.Social" existe
personas que participaron en un suceso histórico real que un valor que se llama "Empleado"?
pudo haber sucedido desde el año 1 d.e. hasta el día de hoy.

Pregunta 1: ¿Por qué crees que el autor de la base de datos
utilizó estas cuatro variables y no otras? ¿Tendrá algún pro-
pósito?
Respuesta: ¡Desde luego! Si fuera a recolectar información,
sólo recolectaría datos de variables que considere importan-
tes para describir el fenómeno. Por ejemplo, podría eliminar
de tajo sucesos donde nadie haya sobrevivido, como la explo-
sión del dirigible de Hindenburg.
Pregunta 2: ¿Cuántas personas -o registros- hay en la base
de datos?
Respuesta: 2 201; basta con sumar el número casos de cual-
quiera de las variables de la base. Ej. Adulto=2 092, Ni-
ño=109; 2 092+109=2 201. Verifícalo con otra variable.
También puedes usar la instrucción l e ngt h (Sob r e viv i e n t e) .
Pregunta 3: ¿El número de casos o personas te permite ir
imaginando algún posible suceso histórico? Intenta hacer una
lista con tres a cinco posible sucesos, con base en la informa-
ción que tienes hasta este momento.
Respuesta: ¡Si! Ahora puedo ir acotando ... no podría ser un
suceso histórico donde hubiera más o menos de 2 201 perso-
nas involucradas. Qu'izá una enfermedad como la peste negra
podría ser descartada ya que de seguro afectó a más de esta
cantidad de personas. Debe haber sido un suceso más o me-
nos reciente, porque hubo estos registros.
En este momento podríamos explorar un poco la relación
entre las variables. Seguro que por algo las pusieron ahí. Por
ejemplo, ¿cuántas mujeres Ycuántos hombres sobrevivieron?
¿Hay diferencia entre estos números?
fem <- sub s et (mi ste rio,sexo== "Ferne nino")
table{fem$ So br e vivi e nte)
El commando subset () nos permite solicitar a R el crear un
subconjunto de los datos, llamado tem, que sólo contenga
aquellos casos donde hay mujeres ("Femenino"). Luego po-
demos solicitar que nos indique cuántos sobrevivientes hay
de este sexo. Ahora hagamos lo mismo con los hombres Y
veamos si hay diferencia.
ma sc<- s ubset (mi steriO , Sexo== " Ma s cu l i no" )
table(mas c $ Sob rev i v i e nte )
Pregunta 4: ¿Cuántas mujeres sobrevivieron?
Respuesta: sobrevivieron 344 mujeres y 126, no.
Pregunta 5: ¿Cuántos hombres sobrevivieron?
Respuesta: sobrevivieron 367 hombres y 1364, no.
¡Espera un momento! No podemos comparar el número de
mujeres y hombres que sobrevivieron a menos que las canti-
dades de hombres y mujeres fueran las mismas. Por ejemplo,
si había 500 mujeres y 5 hombres, y sobrevivieron 100 muje-
res y 4 hombres, a simple vista diríamos que sobrevivieron
más mujeres. Sin embargo, observa la proporción ... sobrevi-
vieron 1 de cada 5 mujeres (20%) y 4 de cada 5 hombres
(75%). Tenemos que solicitar el número relativo al total de
casos, es decir el porcentaje real de sobrevivientes.
~ Propo r ció n de muj eres sobrevivien tes :
t ab l e (fem$Sob rev i v i ente ) / l e ng th ( f e m$Sbr evi vien t .e ) * 1 00
, Pro porción de ho mbres sobrevivien"t es:
t ble(ma sc$Sb r eviv i e nte l /leng t h (ma sc$Sb rev ivien t e)*100
Ahora sí, es justo interpretarlos. Intenta ver averiguar si ha-
b!a diferenci~ ~n otras variables como la edad y la clase so-
CIal. ¿SobrevlVleron mayor proporción de niños o adultos?
¿Por qué? ¿Sobrevivieron más los de cierta clase social?
Pero como estamos experimentando con R, tenemos muchas
alternativas para hacer lo mismo. Otra opción para obtener la
mIsma Información es el código crosstab () contenido en la
librería des e r . ¿Puedes ver qué es lo que hace esta función?
Prueba el siguiente código:
i Carga la librería de scr:
library ("deser")
• Us a el coma ndo erosstab( ) para c rear tab l as
t c ruzadas y gene rar un gráfi c o d e p r oporcion es .
cro ssta b (mi s t e r i o$ Sexo, nidad. Las gráficas dinámicas son sumamente intere-
mi ster io $S ob reviv i e nte, prop. r=TRUE, xla b= "Se xo ",
santes y reveladoras. El sitio es:

y l ab ="Sob re v i v i e n te " ) http ://www.gapminder.org/

¿Interesante, no? Recuerda que R tienen mil y un formas de • Excelentes videos con explicaciones sobre estadística.
obtener el mismo resultado. ¿Puedes encontrar una más fá- Están bien hechos, son cortitos y la mayoría han sido
cil? iCompártela! traducidos al español gracias al convenio entre Sal-
man Khan y Carlos Slim. El sitio web se llama Khan
Academy y la dirección exacta es:
Pregunta 6:. ¿Es posible decir que hay una relación entre la
sobrevivencia al hecho histórico y la clase social, la edad y el https://www.khanacademy.org/mathjprobability
sexo? • Un espacio de alta calidad para aprender estadística
Respuesta: Claro ... pareciera que la proporción de personas en línea, con explicaciones, tablas, calculadoras,
que sobrevive fue mayor si eras de clase alta, niño y de sexo ejemplos y simulaciones. No dejes de visitarlo en:
femenino y, al contrario, hubieras tenido menos probabilidad http://stattrek.com/
de vivir si eras de clase baja, adulto y masculino. Verifica es-
tas afirmaciones de manera semejante al caso anterior. • Para iniciarse con R no hay nada mejor que el sitio de
O'Reilly : http://tryr.codeschool.com/
Pregunta 7: ¿De qué suceso histórico son estos datos?
. Respuesta: ¿De verdad quieres saber? Bueno, pues se trata
del famoso Titanic. Una cantidad grande de personas viaja-
ban en él (N=2 201). Y claro, si eras de clase alta, niño y mu-
jer tenías mayor probabilidad de sobrevivir. Seguro con esto
se te viene a lamente la frase "mujeres y niños primero", ¿no?
Pregunta reto: ¿Para qué sirve la función a tt ac h () que usa-
mos al inicio del ejercicio?
Fuente de los datos: (s.f.). El naufragio del Titanic. España:
Universidad de Sevilla. Disponible en:
http://www.cs.us.es/cursos/i1e-2004/Trabajos/titanic.pdf.

6_ Cuatro sitios web interesantes

En internet hay muchos recursos valiosos para enamorarse
de la estadística. Aquí te proponemos tres:
• Un maravilloso video que se llama "The loy of Stats" o
"La Alegría de la Estadística", hecho por el sueco Hans
Rosling, que tiene todo un sitio dedicado al uso de la
estadística para hacer conciencia social en la huma-
7. Dibujos y tablas con estadística

En un lapso de una hora y cuarto, pasaron

exactamente treinta y cinco mujeres de interés.
Para entretenerme hice una estadística sobre
qué me gustaba más en ca da una de ellas. 10
apunté en una servilleta de papel. Éste es el
resultado. De dos, me gust61a cara; de cuatro, el
pelo; de seis, el busto; de ocho, las piernas; de
quince, el trasero. Amplia victoria de los
traseros. MARIO BENEDETTI, La Tregua.

Este pequeño texto. además de ser par-

te de una entrañable novela, es estadís-
tica descriptiva. Benedetti explica, con
precisión matemática, el paso de las mujeres y lo que llamó
su atención en cada una de ellas.
Su descripción es un concepto importante en estadística. Es
una forma muy lógica de organizar la información. La lista de
lo que más le gustaba se llama tabla de frecuencias absolu-
tas y no es otra cosa más que un conjunto de clases o catego-
rías, seguido por el número de elementos que se observaron
en cada una de ellas. Benedetti nos obsequia la tabla ya orga-
nizada, no sabemos exactamente en qué orden observó qué
cosa.
Esta idea tan sencilla es muy útil y por lo tanto se puede ma-
nejar en Excel o RStudio también con facilidad . La variable
observada (lo que más le gustó) es de tipo cualitativo, con
una escala nominal. Podemos copiar los datos como una tabla
en Excel y luego hacer con ellos algunos cálculos o gráficas.
También podemos manipularlos en RStudio. Verás que es
muy simple. Primero, vamos a colocar los datos.
Atractivo < -
c(rep("cara ", 2);rep( "pe l o ",4),rep(" busto ",6) ,
r e p( "piernas",8), rep ("trasero",15})
 Atrac tivo
Estamos creando una lista o vector con lo que le resultó
Freque n c y Pe r cent
atractivo. Como te imaginarás, al escribir rep ( "cara", 21 es- busto 6 17 . 143
tamos indicando que se repita el valor "cara" dos veces, y así cara 2 5.714
sucesivamente. Si escribes Atractivo observarás los 35 datos pelo 4 11.429
recabados. piernas 8 22. 8 57
trasero 15 42.857
Ahora vamos a instalar un pequeño paquete que hace la tabla Total 35 100. 0 0 0
de frecuencias absolutas por nosotros. No te asustes, es muy FIGURA 10: TABLA DE FRECUENCIAS DEL EJEMPLO DE
sencillo. Sólo debes dar clic sobre la pestaña Packages, del BENEDETTI.
lado inferior derecho, y luego sobre Install (figura 8).
Las frecuencias son muy útiles para encontrar rápidamente
Fies PIots Padcages , H~1p i V"sewer algunos aspectos importantes: qué valores son los más bajos
t;.¡ In.tall e Updat~ :': 1
:
o altos, es decir; los menos o más frecuentes. Aquíse analizó
una variable nominal cualitativa y sabemos ahora que al pro-
FIGURA 8: HERRAMIENTAS PARA IN STALAR PAQUETES EN
tagonista de la novela le agradó un 42.857% de mujeres, es-
RSTUDIO.
pecíficamente por su trasero. En cambio, muy pocas tuvieron
Con la computadora conectada a Internet, escribe en el hueco una cara bonita. Eso también se advierte fácilmente en el
el nombre del paquete que deseas instalar. En este caso se histograma, donde verificamos la "amplia victoria". El histo-
llama descr (figura 9). En seguida oprime el botón Install. grama es la gráfica de barras de las frecuencias absolutas.
Eso es todo.
Inmll Package<
;. _;- _.-.- - -
--' ,---
¡
Insta!! from: · 1 Configuring R~pos¡torj~ -
.------.... ----.-.. ----- - - . - . - - .- - - - ----.-- ... ---::1
¡. ~~~?.~!t-"_'}' !~~~,_~.~I'!~X!raL _. _____ .__ . ___._ Y;

Packages (separate multiple with space or comma): busto cara pelo piernas trasero
~~~~ ------ ----_.__...._- -------------_._--_.._..-------------_.._]
FIGURA 11: HISTOGRAMA DEL EJEMPLO DE BENEDETTI.

FIGURA 9 : INSTALACiÓN DEL PAQUETE "DESCR" PARA

ESTADÍSTICAS DESCRIPTIVAS.
Hecho esto, indicamos al software que usaremos el paquete
anterior y que deseamos calcular las frecuencias:
lib r ary(de sc r )
freq(A tra ctivo)
El resultado incluye dos partes: la tabla de frecuencias abso-
lutas (figura 10) y una imagen llamada histograma (figura
11). En la tabla de frecuencias se agregaron las frecuencias
relativas o porcentajes.
Otra forma de presentar estos datos es a través de una gráfica
circular o de pastel. Esta gráfica se genera con la instrucción:
pi e ( tabl e( Atractivo) )
En ella indicamos que se construya la gráfica de pastel de los
datos de la variable Atractivo, tabulados u organizados por
clase. El resultado puedes verlo en la figura 12. Observa que
estas gráficas sólo son útiles cuando hay pocas clases. Si son
demasiadas, no será posible distinguirlas.

piernas
FIGURA 12: GRÁFICA CIRCULAR DE LOS DATOS DE BENEDETTI.
En el ejemplo anterior las clases se formaron por la parte del
cuerpo seleccionada por Benedetti. En general. la definición
de clases depende del tipo de variable que se observa.
Para variables cualitativas. ya sean nominales u ordinales. las
clases estarán dadas por las mismas categorías creadas para
efectuar la medición. Es decir, si se midió el nivel máximo de
estudios de una persona con una variable ordinal. las clases
podrían ser. por ejemplo: Básico. Medio Inferior, Medio Supe-
rior y Superior. Si se midió el sexo. las clases serán: Femenino.
Masculino.
En cambio. si se trata de variables cuantitativas. las clases
serán conjuntos de datos para las discretas e inte.rvalos para
las continuas. Veamos un ejemplo de cada una.
Supongamos que se desea hacer una tabla de frecuencias
para organizar las calificaciones de un grupo de estudiantes.
Si las calificaciones son discretas (por ejemplo del cero al
diez). estos mismos valores pueden ser las clases. Las fre-
cuencias serán cuántos ceros. cuántos unos. etcétera. se ob-
servaron.
En cambio. si las calificaciones son continuas. con fracciones
o decimales. las clases podrían definirse como: [0.1]. (1.2].
(2.3]. (3.4]. (4.5]. (5.6]. (6.7]. (7.8]. (8.9]. (9.10]. Estos núme-
ros entre paréntesis son intervalos. Por ejemplo. [0.1] son
todos los números entre el cero y el uno. El intervalo (1.2J
son todos los valores mayores que uno hasta llegar a dose Y
así sucesivamente.
¿Por qué la diferencia en los paréntesis? El paréntesis redon-
deado se utiliza para indicar que el intervalo no incluye al
punto limite. El corchete o paréntesis cuadrado. en ·cambio.
señala que el punto límite está incluido. Por ejemplo. el inter-
valo [0.6) son todos los no aprobados. es decir. los que obtu-
vieron calificación desde cero hasta antes de seis.
Esta diferencia aparentemente sutil y ociosa es fundamental.
Al crear los intervalos de clase en variables continuas. debes
verificar siempre que se cumplan dos propiedades:
1. Las clases deben ser mutuamente exclusivas. esto
es. no debe haber la posibilidad de que una observa-
ción pueda ubicarse en más de una clase. En el ejem-
plo anterior, si definimos como clases [5.6] y [6.7].
tendríamos un problema: ¿en cuál de las dos quedan
los alumnos con seis?
2. Las clases deben ser colectivamente exhaustivas.
abarcando todos los resultados posibles de la variable
medida. Así. no debe existir la posibilidad de que un
elemento quede fuera de clasificación. Si no se agre-
gara la clase [0,1] y un alumno obtuviera cero. no ha-
bría donde colocar esta observación.
Veamos este ejemplo con más detalle. Supongamos que te-
nemos las calificaciones de 50 alumnos. mostradas en la figu-
ra 13. Se ve con facilidad que son valores entre cero y diez.
pero no es inmediato saber cómo salieron los alumnos. Para
ello nos conviene hacer la tabla de frecuencias yel histogra-
ma.
". Ca lif
¡l] 6.8 8 .1 9. 6 6.6 6.5 8.1 9.4 4.8 1.2 8. 2 8 .4 7 .6 5.9 7 .8 e.5
(16) 7.6 6.9 B.1 5.4 6 .7 3.5 9.0 5 .0 6.7 6. 4 5.0 6 .6 7.6 7.5 1.8
-( 31 1 5.5 B.3 6.6 7 . 4 6. 7 9 . 9 8.7 6. 0 5 . 3 7.2 5 . 5 7 . 2 4. 49.08. 1
' [4 6 ] 9.6 1. 64.31 . 65 . 3
FIGURA 13: CALIFICACION ES DE CINCUENTA ESTUDIANTES.
Podemos hacer la tabla de frecuencias con las siguientes ins-
trucciones. Primero definimos los puntos de corte de las cla-
ses y luego pedimos las tabulaciones. La expresión o : lo san
los valores del cero al diez. La primera tabla son las frecuen-
cias absolutas y la segunda. las relativas. que son las mismas

piernas
FIGURA 12: GRÁFICA CIRCULAR DE LOS DATOS DE BENEDETTI.
En el ejemplo anterior las clases se formaron por la parte del
cuerpo seleccionada por .Benedetti. En general, la definición
de clases depende del tipo de variable que se observa.
Para variables cualitativas, ya sean nominales u ordinales, las
clases estarán dadas por las mismas categorías creadas para
efectuar la medición. Es decir, si se midió el nivel máximo de
estudios de una persona con una variable ordinal, las clases
podrían ser, por ejemplo: Básico, Medio Inferior, Medio Supe-
rior y Superior. Si se midió el sexo,las clases serán: Femenino,
Masculino.
En cambio, si se trata de variables cuantitativas, las clases
serán conjuntos de datos para las discretas e intervalos para
las continuas. Veamos un ejemplo de cada una.
Supongamos que se desea hacer una tabla de frecuencias
para organizar las calificaciones de un gru po de estudiantes.
Si las calificaciones son discretas (por ejemplo del cero al
diez), estos mismos valores pueden ser las clases. Las fre-
cuencias serán cuántos ceros, cuántos unos, etcétera, se ob-
servaron.
En cambio, si las calificaciones son continuas, con fracciones
o decimales, las clases podrían definirse como: [0,1], (1,2],
(2,3]. (3,4], (4,5], (5,6], (6,7], (7,8], (8,9], (9,10]. Estos núme-
ros entre paréntesis son intervalos. Por ejemplo, [0,1] son
todos los números entre el cero y el uno. El intervalo (1,2]
son todos los valores mayores que uno hasta llegar a dos. Y
así sucesivamente.
¿Por qué la diferencia en los paréntesis? El paréntesis redon-
deado se utiliza para indicar que el intervalo no incluye al
punto límite. El corchete o paréntesis cuadrado, en ·cambio,
señala que el punto límite está incluido. Por ejemplo, el inter-
valo [0,6) son todos los no aprobados, es decir. los que obtu-
vieron calificación desde cero hasta antes de seis.
Esta diferencia aparentemente sutil y ociosa es fundamental.
Al crear los intervalos de clase en variables continuas, debes
verificar siempre que se cumplan dos propiedades:
1. Las clases deben ser mutuamente exclusivas, esto
es, no debe haber la posibilidad de que una observa-
ción pueda ubicarse en más de una clase. En el ejem-
plo anterior, si definimos como clases [5,6] y [6,7],
tendríamos un problema: ¿en cuál de las dos quedan
los alumnos con seis?
2. Las clases deben ser colectivamente exhaustivas,
abarcando todos los resultados posibles de la variable
medida. Así, no debe existir la posibilidad de que un
elemento quede fuera de clasificación. Si no se agre-
gara la clase [0,1] y un alumno obtuviera cero, no ha-
bría donde colocar esta observación.
Veamos este ejemplo con más detalle. Supongamos que te-
nemos las calificaciones de 50 alumnos, mostradas en la figu-
ra 13. Se ve con facilidad que son valores entre cero y diez,
pero no es inmediato saber cómo salieron los alumnos. Para
ello nos conviene hacer la tabla de frecuencias y el histogra-
ma.
> (..:;,) 11f
[l) 6.8 8 . 1 9.6 6.6 6. S 8 . 1 9 . 4 4 . 8 7. 2 B. Z 6 . 4 7. 6 5. 9 7 .8 8. S
[ 16 J 7 .6 6. 8 8.1 5. 4 6. 13 . 59 .0 5 . 06 . 7 6.4 5. 0 6 . 6 7. 6 1 .5 7 . 8
[3 ~] 5 . 5 8.3 6 . 6 1 .4 6 .1 9 . 9 8 . 1 6 . 0 5 .3 7 . 2 5.5 1 .2 4 . 4 9 . 0 B.1
146J 9 .6 7.6 4.3 7 .6 5 .3
FIGURA 13: CALIFICACIONES DE CINCUENTA ESTUDIANTES.
Podemos hacer la tabla de frecuencias con las siguientes ins-
trucciones. Primero definimos los puntos de corte de las cla-
ses y luego pedimos las tabulaciones. La expresión o : 10 son
los valores del cero al diez. La primera tabla son las frecuen-
cias absolutas y la segunda, las relativas, que son las mismas
divididas entre el número de datos, que se obtiene con l en- grama con las frecuencias relativas si agregas, dentro del pa-
gth. Hemos repetido el nombre de cada vector para ver su réntesis, la indicación freq~ F. ¿Qué cambios observas al ha-
contenido en RStudio. ceresto?
Cor t es <- 0 :10 Muy bien, ahora estás listo para hacer tablas de frecuencias e
Co r t e s histogramas de cualquier conjunto de datos, cualitativos · o
Fre c Abs <- t abl e (cut(C a l if,C o rte sl )
cuantitativos.
FrecAbs
Frec Re l <- FrecAbs / l ength( Ca l i f ) 8_ Estar a la moda: medidas de tendencia central
Fr e c Rel

La figura 14 muestra la tabla de frecuencias absolutas, te su-

giero que copies los datos y obtengas las frecuencias relativas. Las personas mayores aman los números.
Cuando les hablas de un nuevo amigo
(0 , 1 3 (1,21 {2,3] (3,4] (4, 5 ] 15,61 ( 6 ,7] (7, 8 1 (8 ,9] jamás te preguntan sobre lo esencial.
o o o 1 5 -, 10 12 11 Jam ás te dicen: «¿Cómo es el tono de su
,
(9 , 101 voz? ¿Qué juegos prefiere? ¿Colecciona
mariposas?» Ellos preguntan: «¿Cuántos
FIGURA 14: FRECUENCIAS ABSOLUTAS DE LAS CALIFICACIONES. años tien e? ¿Cuántos hermanos tiene?
¿Cuánto pesa? ¿Cuánto gana su padre?»
Vemos que la mayoría de los estudiantes obtuvieron califica- Solamente entonces creen conocerlo.
ciones mayores que siete y menores o iguales que ocho. Hubo ANTOiNE DE SAINT-EXUPERY, El Prln.cipito.

pocos reprobados. Ahora, para una interpretación visual rá-
pida, basta con pedir el histograma, con la instrucción:
h is t (Calif, b reak s = C o r t e s ,c ol =" gr ey~ ,
ma i n =" Hi s t o g rama")
Histograma
o 2 4 6
CaIi!
FIGURA 15: HISTOGRAMA DE LAS CALIFICACIONES.
Observa el resultado en la figura 15. Prueba qué ocurre si
eliminas la sección breaks~Cortes o si cambias el color por
"red " O por rainb o w (1 0 ). También puedes obtener el histo-
Si estás leyendo este texto, eres
una persona mayor. Así que en alguna medida te interesan los
números. No es tan malo, a través de ellos procuramos cono-
cer mejor a las personas y a las cosas. Hagámoslo entonces,
por lo menos, bien. Desentrañemos el misterio de algunos de
los números más usados y veamos exactamente qué signifi-
can, cuáles son sus ventajas y sus limitaciones. Aún en la es-
tadística descriptiva "lo esencial es invisible a los ojos".
He~os dicho ya que en ocasiones debemos describir grandes
conjuntos de datos cuantitativos con unos pocos números.
Una forma de resumir el comportamiento es utilizar las lla-
madas medidas de tendencia central, que indican hacia qué
8 10
valores se agrupan los resultados. Estas medidas deben to-
marse con pinzas, porque pueden ser muy engañosas.
La medida de este tipo más utilizada es la media aritmética
opromedio, que se obtiene sumando todos los datos y divi:
dlendo el resultado entre el total de observaciones.
Para contar las observaciones podemos considerar que una
población tiene un conjunto de N elementos, mientras que
una muestra o subconjunto posee n. Por ejemplo, los alum-
nos de la UNAM son cerca de N = 300,000 Y se puede selec-
cionar de ellos una muestra de n = 50. Veremos más sobre el
tema de muestreo en el Capítulo 14.
Si cada medición u observación se denota por X i' pueden ha-
cerse los siguientes cálculos. La ecuación 1 es la media pobla-
cional y la 2 es la media muestra!.
If=l X ¡
J1=
N Puedes probar con otros conjuntos de valores, tanto en Excel
ECUACIÓN 1: MEDIA POBLACIONAL.
Como es la primera fórmula, vamos a leerla: La media pobla-
cional es la letra griega mu (se pronuncia poniendo la boca en
forma de "u" y diciendo "i", al estilo francés). Se calcula como
la suma, desde iigual a uno hasta N, de equis subíndice i,
todo dividido entre N. En términos coloquiales, es lo que co-
múnmente llamamos promedio: la suma de todas las obser-
vaciones entre el total de observaciones.
IY=l X ¡
n más o menos eso, o de que muchos ganen muy poco y unos
ECUACIÓN 2: MEDIA MUESTRAL.
La media muestral es equis barra, y se calcula también como
el promedio, pero ahora de las observaciones de la muestra,
que es un subconjunto de la población. El cálculo es idéntico,
lo que cambia es que en la ecuación 1 contamos con todos los
datos de la población, mientras que en la 2 sólo tenemos al-
gunos de ellos.
Para calcular cualquiera de las dos medias en Excel se utiliza
la instrucción =PROMEDIO( ), colocando entre los paréntesis
las cantidades o la selección de las celdas que componen la
población o muestra, según el caso. La selección de celdas es
simplemente marcar con el ratón las celdas que contienen los
datos.
Evidentemente, conforme el valor de n se acerque al valor de
N, esperaríamos que la media muestral también se acerque a
la media poblacional.
Podemos usar los datos de la sección anterior (Calif) en
RStudio, para c¡llcular la media. Verás que es muy sencillo.
Simplemente escribes:
Media <- mean( Calif)
Medi a
Con lo cual obtendrás el valor 7.068 que, por supuesto, es
idéntico a lo que te devolverá Excel si haces el promedio ahí.
como en R.
Aunque la media aritmética es la más utilizada y conocida, es
una medida que se afecta por valores extremos, es decir, un
valor muy alto o muy bajo hará que se modifique de manera
sensible.
Veamos esto con un ejemplo sencillo. Nos dicen que en una
empresa el salario promedio es de $50,000 mensuales. ¿Qué
te parece? Suena bien, pero, claro, este dato no es suficiente.
Puede provenir del hecho de que todos los empleados ganen
cuantos tengan unos sueldos enormes. Por ello, se hace nece-
sario contar con medidas de tendencia central adicionales,
como la mediana y moda.
La mediana es el punto medio de los datos, es decir, el valor
que los divide en dos mitades, es una especie de centro de
gravedad. Para calcularla se ordenan los datos .(poblacionales
o muestrales, es igual) en forma ascendente, de menor a ma-
yor. Si el número de datos es impar, la mediana será el dato
central; si es par, será la media aritmética de los dos datos
centrales. Está definida en Excel por la instrucción:
=MEDIANAO·
Podemos obtenerla en RStudio utilizando los siguientes ren-
glones:
Mediana < - medi a n (Ca lif)
Mediana
Si has ido siguiendo el ejercicio desde la sección anterior, éste
valor debe ser igual a 7.2, en Excel o en R. Esto significa que la
mitad de los alumnos obtuvieron menos de 7.2 y la otra mi-
tad, más.
Ahora, el dato que ocurre con más frecuencia también es in-
teresante y se llama moda. En un conjunto de observaciones
es posible que exista una moda única (datos unimodales);
varias modas (datos multimodales) o, en el caso extremo en
que todas las observaciones sean distintas, se dirá que no
existe moda. Esta medida es muy relevante porque revela un
poco más del comportamiento interno de los datos, aún en
forma resumida. Es posible obtenerla con la instrucción:
=MODAO en Excel.
En RStudio debes instalar el paquete modeest, con las indica-
ciones de las figuras 8 y 9. Hecho esto, escribimos :
l i b r ary(modees t)
Mod a ( - mfv(Ca l i f)
Moda
El resultado en este caso, es de 7.6 que, por cierto, se repite
cinco veces en las observaciones. Verifícalo tú también. Tam-
bién es consistente con el histograma de la figura 15, donde
se observó que el valor más alto está entre siete y ocho.
Como media, mediana y moda fueron parecidas entre sí,
quiere decir que los datos están bastante agrupados alrede-
dor de ellas. Esto también indica que los datos no son muy
dispersos o diferentes entre sí, pero esto lo analizaremos más
en la siguiente sección.
9. Tan lejos, tan cerca: medidas de dispersión
Era el mejor de los tiempos, era el peor de los tiempos, era
la edad de la sabiduría, era la edad de la estupidez, era la
época de la fe, era la época de la incredulidad, era la
temporada de la Luz, era la temporada de la Oscuridad, era
la primavera de la esperanza, era el invierno de la
desesperación ... CHARLES DICKENS, Historia de Dos Ciudades.
Según algunos detractores (a estas alturas esperamos que no
te cuentes entre ellos), la estadística es la ciencia que indica
que, si tienes la mitad del cuerpo en hielo y la mitad en una
plancha ardiente, en promedio estás disfrutando de una tem-
peratura agradable. Esto sería cierto si la estadística descrip-
tiva no incluyera las medidas de dispersión.
Tal como lo expresa Dickensen el epígrafe, la realidad suele ·
contener claroscuros y extremos opuestos. Nuestro país, Mé-
xico, es una nación donde convive uno de los hombres más
ricos del mundo con millones de personas en extrema pobre-
za. y tal vez ambas cosas no sean tan ajenas una de la otra.
Por eso requerimos hacer concienda de estos extremos y
medir estas diferencias.
De la misma forma en que las medidas de tendencia central
brindan un resumen acerca de los valores hacia los cuales se
acercan los datos, las medidas de dispersión son números -
estadísticas descriptivas, también- que reflejan la forma en
que varían los datos cuantitativos.
Supongamos dos ejemplos distintos. Si en un conjunto de
diez datos tenemos cinco valores iguales a 4.5 y cinco iguales
a 5.5, ¿cuánto vale la media? Podemos verificarlo rápidamen-
te en R:
mean (e (rep (4 . 5 , 5) , 'rep (5 . 5 , 5 »}
La instrucción anterior da como resultado cinco, lo cual segu-
ramente ya imaginabas. Ahora pensemos que los datos son
cinco valores iguales a cero y cinco valores iguales a diez. En R:
mean{c{rep(O, S ) ,rep (l O,5)))
El resultado es el mismo, cinco. Ambos conjuntos de datos
tienen la misma media. Sin embargo, estarás de acuerdo en
que son dos situaciones distintas. En el primer caso los datos
son muy parecidos entre sí; en el segundo, no. Necesitamos
otras medidas adicionales que expliquen esta heterogeneidad
de los datos.
Piensa en un profesor que va a dar ·una clase. La situación es
distinta si los alumnos saben más o menos lo mismo sobre el
tema y tienen más o menos el mismo interés, que si tiene un
grupo heterogéneo, que será más difícil de atender. Si un in-
vestigador quiere describir la opinión de una población sobre
un tema como el programa "Hoy no circula", puede encon-
trarse con que todos opinen de manera semejante o con que
haya posiciones encontradas y polémicas. Cuando hablemos
del muestreo en la sección 14, veremos también que la hete-
rogeneidad de los datos observados es un elemento sustan-
cial para definir el tamaño de la muestra. Así pues, medir la
heterogeneidad es muy importante.
Las medidas de tendencia central nos dan una visión incom-
pleta si no las integramos con algún elemento que hable de
qué tan lejos o cerca de ellas están la mayoría de las observa-
ciones. Este nuevo elemento son las medidas de dispersión.
Las medidas de dispersión son un instrumento que arroja
luz con respecto a qué tan bien (o qué tan mal) son represen-
tados los datos por las medidas de tendencia central. Mien-
tras más homogéneos sean los datos, más parecidos serán a
la media, por ejemplo, y por lo tanto podremos confiar más
en ella como resumen de las características de la población.
En cambio, si los datos están muy alejados entre sí, la media
puede resultar más engañosa que útil.
Un investigador deberá preocuparse siempre por la hetero-
geneidad de sus observaciones y procurará controlarla para
que esa variación no interfiera en sus resultados. Por ejem-
plo, si se desea medir el efecto de un medicamento, se le apli-
cará a grupos de pacientes que tengan circunstancias seme-
jantes y cuyas respuestas sean similares, excepto por la
aplicación o no del medicamento. Un pedagogo nos indicará
que es más sencillo explicar un tema a un grupo de alumnos
que tienen experiencias y conocimientos semejantes, que a
un conjunto de .individuos con diferencias de edad, nivel edu-
cativo, lenguaje y cultura. El economista procurará aislar el
efecto de una variable al mantener constantes otros aspectos
que puedan modificar los resultados.
En fin, las medidas de dispersión son indispensables para
hacerse una idea clara de la estructura de una población, para
seleccionar muestras, para interpretar resultados y para sa-
car conclusiones válidas.
Una primera y elemental medida de dispersión es el rango,
definido como la diferencia entre el valor máximo y el valor
mínimo ' observados en un conjunto de datos. Al comparar
dos grupos similares, por ejemplo, un mayor rango indicará
mayor variabilidad.
Para calcular el rango con Excel pueden ordenarse los datos
de menor a mayor usando el icono Orden ascendente (figura
16). Hecho esto, se resta el valor máximo (último de la lista)
menos el valor mínimo (primero de la lista).
FIGURA 16: ORDEN ASCENDENTE EN EXCEL.
Obtener el rango en R para los datos de las calificaciones de
la figura 13 es inmediato, simplemente escribe:
Rango < - ma x(Calif)-min( Ca lif)
Rango
6 .4
Un segundo acercamiento proporcionado por las medidas de
dispersión es calcular la desviación absoluta promedio. Si
comparamos cada medición con la media aritmética, podre-
mos evaluar qué tan lejos o cerca está de ella.
Como no importa si la distancia es positiva o negativa, sino su
magnitud, se toma su valor absoluto, es decir el valor siempre
será positivo. Una vez obtenidos todos los valores absolutos
de las diferencias, se promedian, es decir, se suman y se divi-
den entre el total de observaciones. ASÍ, el cálculo se expresa
con las fórmulas:
Lf=ll x i - ¡tI
D APpoblacional N
ECUACIÓN 3: DESVIACIÓN ABSOLUTA PROMEDIO POBLACIONAL.
Lt=llxi -xl
DAPMuestral
n =VARP( J y la muestral con =VAR( J. En R la instrucción var ()
ECUACIÓN 4: DESVIACIÓN ABSOLUTA PROMEDIO MUESTRAL.
Ambas pueden obtenerse en Excel con la palabra =DESVPROM(),
o con R, usando las instrucciones:
DAP <- sum{abs(Calif-mean{Calif) ) )/length(Calif)
DAP
1.21056
Lt=l (Xi - X)2
S
2
= n-l
ECUACIÓN 6: VARIANZA MUESTRAL.
En este momento, si eres observador tal vez te preguntas por
qué en la Ecuación 6 dividimos entre n - 1 Y no entre n. De-
jaremos eso en el misterio y sólo diremos que esto mejora el
resultado que se obtiene. Por ahora debes conformarte pen-
sando que, si el valor de n es relativamente grande, n y n - 1
son más o menos lo mIsmo.
En Excel se calcula la varianza poblacional con la instrucción
devuelve la varianza muestra!.
Por último, más que la varianza y la desviación absoluta pro-
medio, suele utilizarse la desviación estándar, que es sim-
plemente la raíz cuadrada de la varianza, calculada como se
ve en las ecuaciones 7 y 8, para los casos de población y
muestra.

La primera instrucción hace la suma del valor absoluto de Lf-l (Xi - ¡t)2
cada calificación menos la media de todas y esa suma la divi- a=
N
de entre el total de observaciones. Es importante cuidar los
paréntesis para no cometer errores. ECUACIÓN 7: DESVIACIÓN ESTÁNDAR POBLACIONAL.

Otra forma de hacer que las distancias sean siempre positivas ",n ( . _ -)2
L..i=l Xl ·X
es elevarlas al cuadrado. Al hacer esto, las distancias muy s=
pequeñas se harán aún menores (por ejemplo, al elevar al n-l
cuadrado 0.5 se obtiene 0.25), mientras que las mayores cre- ECUACIÓN 8: DESVIACIÓN ESTÁNDAR MUESTRAL.
cerán (5 al cuadrado es 25). Esto es, la medida resultante será
un poco exagerada. SU uso es tan extendido, que Excel también te ofrece funcio-
nes para cada una. La desviación estándar poblacional se
Así, se calcula la varianza que mide el promedio de las dis- obtiene con =DESVEST.P( J y la muestralcon =DESVEST.M( J. En R,
tancias a la media, elevadas al cuadrado. Si es poblacional, como ya te imaginarás, la desviación estándar muestral se
usarás la ecuación 5; sies muestral, la ecuación 6. En la ecua- calcula de la siguiente forma:
ción 5 la letra griega es sigma, elevada al cuadrado.
DesvEst <- sd(Calif)

a2 = Lf-l (Xi - ¡t)2 DesvEst

N Que debe arrojar un resultado de 1.496723. Si cuentas con
ECUACIÓN 5: VARIANZA POBLACIONAL. una calculadora científica, de las que tienen funciones mate-
máticas, es muy posible que aparezcan dos teclas que corres-
ponden, respectivamente, a las ecuaciones 7 y 8: Sn y Sn-1.
Gracias al matemático ruso Pafnuty Chebyshev (1821-1894),
la desviación estándar -tiene interpretaciones importimtes.
Por ejemplo, en ciertas poblaciones numerosas y agrupadas
simétricamente alrededor de la media, se espera que el 95%
de las observaciones queden en un intervalo de dos desvia-
ciones estándar arriba y debajo de la media. Esto nos permi-
tirá, más adelante, comparar poblaciones y detectar
anomalías con facilidad.
La desviación estándar es la medida más utilizada para detec-
tar la variabilidad intrínseca de los datos. Mientras mayor
sea, sabremos que nuestra población es más heterogénea y
que, por lo tanto, debemos ser más cuidadosos en la obten-
ción de muestras y conclusiones.
Veamos un ejemplo un poco exagerado. Supongamos que
tenemos dos grupos de alumnos, A y B, que presentaron un
examen de español y obtuvieron las calificaciones de la figura
17.
> Ci'll if. A
[ 1 1 6 . 3 s . a 6.0 5.2 6.5 4.9 6 .4 6.1 6 . 2 6. 1 1.3 6.2 5.5 5.9 6 . 2
( 16 ) 5.1 6.3 5. 5 5. 4 6.0 6.2 6. 1 6.2 6 .7 5 . 5
).- Calif. B
(1 ) 4 . 0 7.0 2 . 0 5.4 3.3 "S.l 5.5 5.2 4.5 4.1 5.7 5 .0 6.0 4. 8 7. 4
rI6l 6 .7 6.6 5.8 7.5 7.0 4.] 1.B 5 . 6 6 . 6 ~.?
FIGURA 17: CALIFICACIONES DE ESPAÑOL DE LOS GRUPOS A y
B, RESPECTIVAMENTE.
Si observas el histograma de cada grupo, verás que son dis-
tintos (figura 18).
Hlstogrlm of e,IIrA Hlltogram of eilll'.B
" •
FIGURA 18: HI STOGRAMAS DE CALIFICACIONES DE DOS
GRUPOS.
Las medias son parecidas, 6.008 para el grupo A y 5.684 para
el grupo B, cerca de seis en ambos casos. Sin .embargo, sus
desviaciones estándar son 0.5040833 para A y 1.494902 para
B. Esto concuerda con lo que observamos en las figuras. El
grupo B es mucho más heterogéneo. La desviación estándar
nos ayuda a notar esta situación.
10. ¿Qué tan normal es ser normal?
Depresión, ansiedad y tristeza suelen considerarse
sinónimos, pero deben diferenciarse. La depresión normal
es común y suele durar solo minutos, horas o días. La
depresión clínica es depresión con un estado de ánimo de
cierta severidad que ha durado más de dos semanas y que
tiene un componente de discapacidad dentro del
funcionamiento personal (Pa(ker, 2012).
"¡Ven conmigo siempre -toma cualquier forma-, vuélveme
loco! No me dejes en este abismo dQnde no puel:lo
encontrarte. ¡Oh, Dios, es insoportable! ]No puedo vivir sin
mi vida! ¡No puedo vivir sin mi alma!". EMILY BRONTE,
Cumbres Borrascosas.
Ya no la quiero, es cierto, pero cuánto la quise.
Mi voz buscaba el viento pata tocar su oído.
De otro. Será de otro. Como antes de mis besos.
Su voz, su cuerpo claro. Sus ojos infinitos.
Ya no la quiero, es cierto, pero tal vez la quiero.
Es tan corto el amor, y es tan largo el olvido.
PABLO NERUDA, Poema Xx.
La idea de los tres epígrafes ante-
riores es reflexionar sobre el con-
cepto de depresión y la diferencia
ente una depresión "normal" y una
depresión "clínica". El primer párra-
fo da una definición formal, mien-
tras que los dos últimos son figuras
.. poéticas que reflejan tristeza .
Probablemente todos hemos sentido algún grado de depre-
sión, pero no siempre la consideramos un problema. En algu-
nos casos nos parece normal, sobre todo si hemos sufrido de
una pérdida amorosa, ¿no es cierto? Nos da por añorar la
muerte y cosas así, pero no pasa a mayores. Cuando la situa-
ción se sale de lo normal, pensamos que debe tomarse alguna
medida para atacar el problema.
Por lo tanto, es importante saber cuándo algo es normal y
cuándo deja de serlo. Necesitamos elementos que nos permi-
tan saber si un fenómeno cae dentro de una regularidad es-
perada o es una situación sorprendente, fuera de lo común.
La estadística es un buen apoyo en este trabajo delicado.
Pensemos en otro ejemplo. Supongamos que se nos ocurre
hacer una encuesta y preguntar a un grupo de estudiantes
universitarios el número promedio diario de horas que ven
televisión entre semana, es decir, de lunes a viernes. Si to-
mamos una muestra adecuada, es decir, representativa de la
población de estudiantes universitarios, tendríamos una clara
idea de qué es lo "normal" entre los estudiantes. Peto, ¿a qué
lIamamós normalidad en este caso?
!
'Qué entiendes tú por normal? ¿Te consideras una persona
~ormal?' ¿Tu estatura es normal? ¿Tu inteligencia es normal?
'Tu relación con las demás personas es normal? .. No te preo-
~upes, no se trata de analizarte ni de crearte problemas exis-
tenciales. Solo quisiera hacer una distinción semántica que
me parece muy importante.
Este asunto de la normalidad nos causa cierta angustia en la
vida, especialmente en la adolescencia. Revisemos un poco.
De acuerdo con el Diccionario de la Real Academia, la palabra
normal hace referencia a una norma o regla a la cual deben
ajustarse las conductas. Así pues, el concepto está relaciona-
do con un comportamiento supuestamente deseable.
Sin embargo, desde el punto de vista estadístico, la normali-
dad no tiene que ver con cuestiones de ética, legislación ni
moral. Se refiere solamente a aquello que ocurre con más
frecuencia, a las situaciones generalizadas o a lo que hace la
mayoría. Aquí lo normal no es necesariamente lo correcto, ni
ser anormal tiene por qué ser algo malo. Ser un alumno muy
estudioso puede ser anormal porque es poco frecuente, pero
por supuesto que nadie debería sentirse mal por eso.
Para entrar al tema, debemos decir que existe una estrecha
relación entre la estadística y la teoría de probabilidades.
Esta teoría estudia el comportamiento de los eventos cuya
ocurrencia es, en alguna medida, incierta. Por ejemplo, al
lanzar una moneda, no sabemos de antemano si caerá águila
o sol. Sin embargo, al haber dos opciones con la misma posi-
bilidad, debemos esperar que, si lanzamos muchas veces la
moneda, la mitad de las ocasiones caiga águila y la mitad, sol.
De la misma forma, aunque no podemos asegurar si lloverá
mañana, consideramos que aumenta la probabilidad de que
esto ocurra si está nublado o si estamos en verano. Dicho de
otro modo, la probabilidad es lo que sí conocemos de los
eventos inciertos.
Decía el francés Henri Poincaré (1854-1912) que "el azar es
la medida de nuestra ignorancia" y, en ese sentido,la proba-
bilidad es precisamente una forma de organizar y prever
aquello que nos resulta desconocido. Gran parte de los fenó-
menos reales que pueden estudiarse están sujetos a algún
tipo de incertidumbre y pueden, por lo tanto, analizarse con
el apoyo de funciones probabilísticas.
Tomemos nuevamente ejemplo de la moneda. Supongamos
que si al lanzarla obtenemos águila, el resultado es 1 y en
otro caso, si es sol, es O. La lanzamos varias veces y vamos
sumando los resultados. La variable aleatoria o probabilística
Xn será la suma de los resultados de n lanzamientos sucesivos.
En el primer lanzamiento podemos obtener O o 1 para Xl; en
el segundo: O, 1 o 2 para Xz; en el tercero: O, 1, 2 o 3 para X3 ,
y así sucesivamente. ¿Con qué probabilidades? Ah, eso de-
pende del número de formas en que cada evento puede ocurrir.
En cuatro lanzamientos tendríamos las probabilidades orga-
nizadas en el cuadro 2, para la variable aleatoria X4 . Por
ejemplo, para que ocurran Oáguilas en 4 lanzamientos, deben
caer: sol, sol, sol y sol. La probabilidad de un sol es 'Iz. La pro-
babilidad de dos soles es 'Iz x 'Iz, esto es, 'J.. Se calcula como
el producto de los dos valores cuando un evento no influye en
la probabilidad del otro, en cuyo caso se dice que ambos Observa que la figura 19 es simétrica, es decir, se ve como en
eventos son independientes. Así, la probabilidad de cuatro un espejo, igual a la derecha y a la izquierda del valor central.
,(,)4~ 16'
so1es seguI'd os serta:; 1 De hecho, la probabilidad de 1 y 3 es la misma, así como la de
Oy cuatro.
CUADRO 2: DISTRIBUCiÓN DE PROBABILIDADES PARA CUATRO
LANZAMIENTOS DE UNA MONEDA LEGAL. Por ahí va la cosa. La teoría de probabilidades es un gran
apoyo matemático para dilucidar si un evento se puede con-
Evento X. Formas en que puede ocurrir el Probabilidad
siderar o no como normal, en el entendido de que esto signi-
evento
fica que ocurra con mucha frecuencia.
o águilas 1:0000 1/16=0.0625
1 águila 4: 1000, 0100,0010,0001 4/16=0.2500 Así, si en lugar de cuatro lanzamos grupos o series de cien
2 águilas- 6: 1100,1010, 1001,0110,0101, 6/16=0.3750 monedas, obtendríamos la gráfica de probabilidades de la
0011 - figura 20, para el valor aleatorio X 100 •
3 águilas 4:1110, 1011,0111,1101 4/16=0.2500 J
4 águilas 1: 1111 1/16=0.0625 Esta figurase obtiene con el razonamiento anterior o utili-
Cualquiera 16: Todas las anteriores 16/16=1.0000 zando R que tiene una función para ello: la distribución bi-
nomial con probabilidad 0.5 por ser una moneda y tamaño de
Estas probabilidades pueden graficarse como se muestra en muestra 100 en este caso. El código para obtenerla es:
la figura 19, en la cual observaríamos que lo más frecuente, lo plo t( O:lOO,dbinom( O:1 00 , prob=O . 5 , s i ze=100 ),
que esperamos que suceda un 37.5% o casi un 40% de las
t ype="h", x l ab=" Águ i las e n 1 00
veces, es que se obtengan dos águilas y dos soles; mientras
que un cuarto de las ocasiones tendríamos un águila y tres lanzamie nt os " f ylab= " Prob")
soles o tres águilas y un sol; y casi nunca (6.25% de las veces)
resultarán cero o cuatro águilas. Así, si lanzamos cuatro mo- La función pI o t es para hacer gráficas en coordenadas XY. En
nedas mil veces y en 900 casos observamos que cayeron cua- este caso la X son los valores posibles del número de águilas
tro soles seguidos, pensaríamos que esas monedas en cien monedas, es decir, del Oal 100. La Y son las probabili-
particulares son "anormales". En cambio, si esto ocurre más o dades que se calculan con la función db i norn que es la distri-
menos sesenta veces de las mil, nos parecerá "normal". bución binomial evaluada en los valores de X, con
probabilidad de águila de 0.5 y considerando 100 lanzamien-
tos. La h es para que haga las líneas verticales y lo demás son
'"
<"">
o letreros coquetos. Anímate a probarla y a cambiarle valores a
-" - ver qué pasa. ¿Qué debes modificar para que en lugar de la
e
o-
o
~ figura 20 aparezca la figura 19, por ejemplo?
o

'"oo I I

2 3 4
° Aguilas en 4 lanz¡¡mientos
FIGURA 19: DISTRIBUCiÓN DE PROBABILIDAD PARA EL
NÚMERO DE ÁGUILAS EN CUATRO MONEDAS.
 1 (X_~)2
ro
q [ex) = e 2cT
o ';2 rrq 2
..c ECUACiÓN 9: DISTRIBUCiÓN NORMAL DE PROBABILIDAD .
o ~
~ C)
En ella, /l es la media y q2 es la varianza de la población que
o
o se estudia. También hay dos constantes: e y rr, que ya había-
o mos revisado en la sección 4. La variable x puede tomar cual-
o 20 40 60 80 100 quier valor desde menos infinito (-00) a infinito (00), pero la
curva sólo tendrá valores interesantes cerca de la media. De
Águilas en 100 lanzamientos hecho, la curva suele graficarse entre la media menos y más
FIGURA 20: DISTRIBUCiÓN DE PROBABILIDAD PARA EL dos desviaciones estándar.
NÚMERO DE ÁGUILAS EN CIEN LANZAMIENTOS.
Para graficar esta curva, podemos usar nuestro entorno R.
Podemos ver que resultará común obtener entre 45 y 55 Puedes hacerlo paso a paso o aprovechar que esta ecuación
águilas dentro de los cien lanzamientos, pero será extraño ya está definida de antemano. Supongamos que la media es m
(aunque no imposible) obtener menos de 30 O más de 70. y la desviación estándar es s. Entonces, si por ejemplo,
Aunque parecen ceros, los valores extremos de la figura, a la m = 100 Ys = 6,Ias instrucciones serían:
izquierda y a la derecha, son números muy pequeños, no ro <- 100
exactamente ceros. Eso significa que esos eventos son muy
s <- 6
poco probables. "
curv e (1/sqrt(2*p i *sA2)*exp {- (x-m)A2/(2*sA2) ),
Con algo de imaginación podrás ver algún parecido entre las
figuras 19 y 20. También podrás sospechar cómo se verá la from=m-3*s,to=m+3*sJ
figura para 500 o 1,000 lanzamientos. Todas ellas tienen ca- cu rve(dn o rm(x,rn, s ),from=m- 3*s,to=m+3 *s }
racterísticas semejantes: son simétricas con resp"ecto al valor
Ya sea que uses la primera o la segunda curva, el resultado
medio, tienen valores dé probabilidad altos cerca del centro y será el de la figura 21.
valores muy pequeños cuando la variable se aleja de él. hacia
la izquierda o la derecha.
<O
Como muchos fenómenos reales siguen este tipo de compor- ú) o
tamiento, algunos matemáticos se dieron a la tarea de encon- E
o
trar una ecuación que tuviera precisamente esta forma. ~ <'l
q
Puedes observar que es una especie de campana suavizada. § o
o
Esto dio lugar a la distribución de probabilidad más utilizada e o
u q
en la estadística: la distribución normal o campana de o
Gauss, llamada así en memoria del matemático alemán Carl 85 90 95 100 105 110 115
Friedrich Gauss (1777-1855), aunque fue presentada por
primera vez por Abraham de Moivre (1667-1754). La ecua-
X
ción correspondiente es la 9.
FIGURA 21: DISTRIBUCiÓN NORMAL CON MEDIA lOOy
DESVIACiÓN ESTÁNDAR 6.
Para detectar qué sucede al variar la media y la desviación más agrupadas alrededor de la media, los datos son más ho-
estándar, aprovechando que R es muy sencillo, podemos gra- mogéneos,
ficar juntas tres figuras: (a) una con media 100 y desviación ¿Por qué es tan importante esta curva normal? En muchas
estándar 3; (b) otra con media 100 Y desviación estándar 6; mediciones de fenómenos reales suele ocurrir que la mayoría
(c) otra más con media 90 y desviación estándar 6. El código de los datos se .agrupan alrededor de un valor medio; .mien-
es el siguiente: tras que los datos extraños o anormales, es decir, los de los
extremos alejados de la media, a izquierda y derecha, son
curve (dn orm( x, 100 , 3) , from=80,to=1 20, muy escasos, De ahí la importancia de esta distribución : sirve
y l ab=" Curva s n (lrrn;¡ l e s " ~ 1 t y=l ) para modelar gran número de aspectos, En este sentido, no
curve(dnorm(x .l 00,6 ) /add=T , l t y ~2 ) por nada Neil Salkind (2012) escribe en su libro todo un capí-
tulo sobre la curva normal titulado "¿Por qué Dios ama la
curve(dnorm (x, 90 ,6),add= T, lty=3 )
curva normal?".
Piensa por ejemplo en la estatura o el peso de una persona.
ro'"
'E" '" ~

C>
La mayoría de las personas del mismo sexo y edad, tienen
,. una estatura semejante, Pocas son mucho muy altas o mucho
O
c: <D
o .----.. ".
';;,'
-,'---- . . .. ,, muy bajas, En el caso del peso, al ser una variable relacionada
,, ,,
'"ro2: O
." .- ".
' .. .... " con la salud, existe una medida importante que también con-
=>
()
o
el
.'
--- . ,' -' _..... _...... '-- sidera a la estatura: el índice de masa corporal o IMe. Según
O la Organización Mundial de la Salud (OMS, 2014), este índice
80 90 100 110 120
se calcula dividiendo el peso de una persona en kilos entre el
cuadrado de su talla en metros, Si peso 55 kilos y mido 1.61
X
metros, mi ¡MC será de 21.22.
FIGURA 22: VARIAS CURVAS NORMALES.
¿Cómo saber si mi IMC es normal o representa problema? De
Hemos puesto diferentes tipos de línea a cada una con lty. La
acuerdo con la OMS, el valor promedio del ¡MC es de 20, con
instrucción add es para que coloque todas las curvas en la
una desviación estándar de 5, Cuando ellMC sobrepasa 25 (la
misma gráfica, ¿Podrías identificar cuál es cuál en la figura
~edla más una desviación estándar), tendríarrios sobrepeso,
22? Sl el ¡MC rebasa 30 (media más dos desviaciones estándar),
Si modificamos el valor de la media, lo único que sucede es es un caso de obesidad. Como mi ¡MC fue de 21.22 puedo
que la curva se desliza en forma horizontal, colocando siem- estar tranquila al respecto, .
pre su punto máximo en donde está la media, es decir, en el
valor que ocurrirá con mayor frecuencia, La gráfica de la función normal del ¡MC se puede obtener con
el siguiente código en R y se ve en la figura 23:
En cambio, al variar el valor de la desviación estándar, la cur-
va se aplana si la desviación aumenta o se afila en caso con-
trario, Observarás que, si la desviación estándar es mayor, la curve (dno rm(x , 20 , 5) , from=5 , t o=35 , xlab=" I MC" ,
curva tiende a hacerse más plana: existe mayor dispersión en y l a b="P (IMe " )
los datos, son más heterogéneos , Si la desviación estándar es
menor, la curva se afila o agudiza: las observaciones estarán
 y d~sviación estándar 5? Para ello se usa la función de distri-
ro
q bUCIón acumul.ada que es el área bajo la curva desde algún
o punto h aCIa la IzqUIerda. Para calcular el área que nos intere-
Ü sa debemos tomar el área a la izquierda de 25 y luego restarle
~ Ol;
o al área a la izquierda de 15, eso nos dejará sólo el área entre
~ 15 y 25. Esto se obtiene con el siguiente par de instrucciones:
.o
q
o prob < - pn o rm(25 , 20 , S) - p norm( 1 5,20 , S )
5 10 15 20 25 30 35
Pr ob
IMe
Lo cu~l da un resultado de 0.6826895. Esto significa que es-
FIGURA 23: DISTRIBUCIÓN NORMAL DEL fNDlCE DE MASA
CORPORAL. peranamosque un 68.27% de la población tenga un IMC de
entre 15 y 25. El área que hemos calculado aparece sombrea-
¿Qué ventajas se obtienen al contar con esta curva? Un resul- da con gris en la figura 25.
tado importante, probado por el matemático ruso que ya
mencionamos, Chebyshev, es que si un evento se comporta en '"oo ,',

forma aproximada a esta curva, esperaríamos que el 68.27% o ..l{:(;.:;_::~~ o;,

de las observaciones se encuentren entre la media menos y ::;; c:!! :~':~, , ' -' ,".' :;' /

más una desviación estándar; el 95.45% entre la media me- n: o

oo
nos y más dos desviaciones estándar y casi todas (el 99.73%) o
caigan en el intervalo de la media menos tres y más tres des- 5 10 15 20 25 30 35
viaciones estándar. En la figura 24 se ejemplifica este resultado.
IMe
FIGURA 25: EN GRISLA PROBABILIDAD DE TENER UN¡MC
OA NORMAL, ENTRE 15 y 25.
Supongamos que ahora deseamos saber qué porcentaje de
0.3 personas sufren de sobrepeso en esta población. Para ello
corres pondería usar las instrucciones:
0.2 Prob < - pno r m(30 , 20 , S) - pnorm (25 , 20 , S )
Pro b
0.1
1% Lo cual da un resultado de 0.1359051, es decir, en esta pobla-
ción esperaríamos encontrar un 13.59% de personas con
- 30 - 20 - 10 ~ 10 20 30 so~repeso: El área que hemos calculado está marcada con
FIGURA 24: RESULTADOSDE CHEBYSHEV PARA LA gns en la fIgura 26.
DiSTRIBUCiÓN NORMAL.
Es~ información tiene una utilidad' práctica evidente. Si es-
Podemos comprobar esto con R en el ejemplo del IMC. En tudI~mo~ una población en particular, digamos, dentro de un
principio, hemos dicho que lo deseable sería tener un IMe mUnICIpiO del Estado de México, y encontramos que en una
entre 15 y 25. ¿Cuál es la probabilidad de que eso ocurra, muestra de datos hay, por ejemplo, 25% de personas con
dado que el IMC se distribuye en forma normal con media 20
sobrepeso, eso nos debe preocupar. El valor es bastante ma-
yor de lo esperado, que era el 13.59%. Algo está sucediendo
con esa población, tal vez cambios en los hábitos alimenticios
o falta de ejercicio o ambos.
m .!!-
q n
o ~
O'
::E
a::
~
o
oq
o
5 10 15 20 25 30
IMe
FIGURA 26: EN GRIS LA PROBABILIDAD DE TENER SOBREPESO
CON UN IMC ENTRE 25 y 30.
De la misma forma podríamos resolver casos parecidos. Su-
pongamos que las calificaciones de matemáticas de un grupo
son seIPejantes a una curva normal, con una media de seis y
una desviación estándar de uno. Un alumno nos dice que en
este grupo es "normal" obtener una calificación reprobatoria.
¿Tiene razón el estudiante? Por lo pronto, observamos que en
este grupo aproximadamente un 68% de alumnos obtendrá
entre 5 y 7; un 95% entre 4 y 8; Y un 99.73% entre 3 y 9. Será
muy poco frecuente encontrar valores de O, 1,9 o 10.
Calcularíamos la probabilidad de obtener un resultado entre
cero y seis, sin llegar a ser seis, restando las probabilidades
de la ecuación 10. Tenemos que restar la probabilidad de una
calificación cero o menor, porque la curva normal tiene valo-
res infinitos ala izquierda, pero verás que esa probabilidad es
muy pequeña.
P(O $;X < 6) '= P(X < 6) - P(X $; O)
ECUACIÓN 10: PROBABILIDAD DE OBTENER UN RESULTADO
ENTREOY6.
Puedes verificar que el resultado es 0.5000, es decir, espera-
ríamos que un 50% del grupo, la mitad, esté reprobado con
puntuaciones entre O y 6: el alumno tiene razón y segura-
mente hay que cambiar al profesor. Esto se ilustra en la figura
27. Como la media es el punto central, 6, el área a la izquierda
(o derecha) es exactamente la mitad.
'"
~
o
N --,-_o,
o
:":: :~r:,:~~' :;.
"-
o
o ¡
">/,'t ~:,' :
¡ I
o 2 4 6 B 10
35
•
FIGURA 27: PROBABILIDAD DE REPROBAR EN ELGRUPO DE
MATEMÁTICAS.
Este pequeño ejercicio podría plantearse al revés. Suponga-
mos que el profesor es misericordioso y se da cuenta de que
tiene un gran número de reprobados. Entonces, decide califi-
car con diez al grupo de alumnos que obtuvieron mejor califi-
cación que el 80% del grupo. Es decir, le pondrá diez al 20%
de mejores alumnos. Calificará por escala o por campana,
como dicen los chicos.
Ahora el problema es inverso. Tenemos el área de 0.80, pero
no sabemos a qué valor de calificación corresponde. Por su-
puesto, R tiene la solución. El valor que vamos a encontrar se
llama punto crítico, se denota por XO.80 , y se localiza con el
siguiente código:
Punto . cr i t i co <- q no r m(O.8 , 6, 1)
Pun to. critico
El resultado es que el profesor debería poner diez a todos los
alumnos que obtuvieran más de 6.841621 de calificación. La
función se llama qn orm o función cuantil porque nos da el
valor crítico que corresponde al cuantil 80. El cuantil 80 es el
valor que agrupa al 80% de los datos. En particular, el cuantil
50 es la mediana o X O•50 , que vimos en la sección 8. ¿Cuál será
entonces el resultado del siguiente código? ¿Por qué?
Pu nto . criti co <- qnor mIO. 5 , 6 , 1 )
Punto . cri t i co

Esto de las áreas bajo la curva y los puntos críticos ... ¿es
realmente tan importante? Efectivamente: son herramientas
esenciales que sustentan la estadística inferencial, que vere-
mos en la parte m, y permiten acercarse al conocimiento de
una población a través de una muestra.
Cerremos esta sección regresando al ejemplo de las monedas,
donde la variable aleatoria se formaba sumando el número
de águilas en n lanzamientos. Todas las monedas tienen pro-
babilidad 0.5 de caer en águila y 0.5 de caer en sol. Pero, al
sumar muchas monedas, la figura de la distribución de pro-
babilidad comenzaba a parecerse a la curva normal, como se
ve en la figura 2 O. Lo curioso es que este hecho se repite con
cualquier evento probabilístico.
Lo anterior se enuncia formalmente en el téorema dellfmite
central: Sean Xl,XZ'''' ,Xn una secuencia de n variables alea-
torias independientes entre sí, que provienen todas de una
misma distribución de probabilidad cualquiera, con media ¡J
y desviación estándar 0' . Para un valor suficientemente gran-
de de n' (generalmente más de treinta) la suma Sn = Xl +
Xz + ... + Xn sigue aproximadamente una distribución nor-
mal con media n¡J y desviación estándar O',fñ.
Este resultado -cuya prueba está fuera del alcance de este
texto, pero puede consultarse en otras fuentes- es sumamen-
te útil. Como seguramente recordarás, en la sección 7 comen-
tamos que la media muestral es una suma de n
observaciones, que son variables aleatorias, por lo general
independientes entre sí, dividida entre n. Ahora sabemos,
entonces, que la media muestral sigue aproximadamente una
distribución normal con media ¡J y desviación estándar O' /,fñ.
No te preocupes mucho por los valores, lo importante es que
sabeinos cómo se comporta la probabilidad de la media
muestral yeso será muy útil en la inferencia estadística.
•
11. Relaciones peligrosas o correlaciones
Mi abuela tenía una teoría muy interesante, decía, qu e si
bien todos nacemos con una caja de cerillos en nuestro
interior, no los podemos encender solos; necesitamos. como
en el .experimento, oxígeno y la ayuda de una vela. S6lo que
en este caso, el oxígeno tiene que provenir, por ejemplo, del
aliento de la persona amada; la vela pu ede ser cualquier tipo
de alimento, música, caricia, palabra o sonido que haga
disparar el detonador y así encender uno de los ceriIJos.
LAURA EsQUlVEL, Camo J\gua para Chocolate.
Una de las aplicaciones más maravi-
llosas y apasionantes de la estadística es el estudio de las
relaciones de causa y efecto. A veces, dos variables o series de
datos se mueven juntas por alguna razón o causa común,
entonces los analistas pueden tratar de medir su relación y
de identificar si ésta es real.
Cuando tenemos un problema y queremos resolverlo, siem-
pre buscamos cuáles son sus causas. Para curar el cáncer, es
indispensable saber exactamente qué lo ocasiona. Para mejo-
rar la economía del país, necesitamos atender los elementos
críticos que pueden hacerla crecer. Para mejorar el aprendi-
zaje de las matemáticas, es necesario saber qué lo dificulta.
En fin, conocer la causa o las causas de un evento es algo muy
valioso.
Caveat lector (ten cuidado, lector): las mediciones estadísti-
cas NO tienen la capacidad de discriminar las causas que pro-
ducen un efecto, únicamente nos indican si al cambiar una
variable, la otra se modifica en proporción directa o inversa.
Es responsabilidad exclusiva del investigador diagnosticar si
efectivamente la primera influye en la segunda. Veamos algu-
nos ejemplos para insistir en esta idea.
Ejemplo 1: Hace poco se encontró un alto coeficiente de co- que produce. el cáncer. no. se podrá saber exactamente si eso
rrelación positiva entre la producción de pulque en México y es cierto. Sin embargo, la Organización Mundial para la Salud
el número de publicaciones de los investigadores de la (Stewart et al., 2003)ha encontrado elementos estadísticos
UNAM. ¿Significa esto que hay que proveer de abundante importantes que hacen pensar que sí existe esta relación. En
pulque a los investigadores? Probablemente no, lo que suce- la duda, por supuesto, lo mejor es no fumar:
de es que ambas mediciones han aumentado a través del Para determinar el tipo y magnitud de las relaciones se utili-
tiempo, sin tener nada que ver una con otra. zan medidas de correlación entre una variable dependiente y
Ejemplo 2: Se ha comprobado estadísticamente la afirmación una independiente. Veamos un ejemplo interesante que ya
"los niños con pies más grandes leen mejor". Debe ser cierto, habíamos visitado en la sección 4.
puesto que los niños cuyos pies son de mayor longitud suelen En el cuadro 1 habíamos presentado algunos datos importan-
tener más edad y, por lo tanto, mejores habilidades para la tes de México. Ahora, en el cuadro 3, te mostramos sólo el
lectura. Claro, esto no quiere decir que la causa de una mejor año, el ingreso per cápita (lPC) y la esperanza de vida al na-
lectura sea el tamaño de los pies. cer (EV). Parece lógico pensar que, si la población tiene un
mayor ingreso, su esperanza de vida será mejor. Es decir, po-
Ejemplo 3: Un joven platica a sus padres que reprobó la ma- demos considerar que el IPC es la variable independiente,
teria de estadística. Ante la pregunta ¿por qué?, el joven ofre- mientras que la EV es la variable dependiente.
ce varias respuestas: porque respondí dos de diez preguntas;
porque no e.studié lo suficiente; porque la materia es aburri- CUADRO 3: DATOS ANUALES DE M~xlco. FUENTE: (THE
da; porque no ~ntiendo; porque el profesor no explica bien; WORLD BANK, 2014). IPC=INGRESO PERCÁPITA EN DÓLARES
porque el profesor no domina la materia; porque el profesor INTERNACIONALES. EV=EsPERANZA DE VIDA EN A~OS.
no quería se.r profesor; porque el profesor tuvo una infancia ¡pe
Año EV
dificil... ¿Cuál de todas es la verdadera causa del mal resultado?
2004 10,860 75.24
Como investigadores o simples observadores sensatos de
2005 11,750 75.49
nuestro entorno, en muchas ocasiones hacemos supuestos
2006 12,840 75.74
acerca de la posible exfstencia de una relación entre varia-
bles. La estadística -en este caso descriptiva- es un instru- 2007 13,330 75.98
mento útil para recabar datos de manera ordenada y verificar 2008 14,030 76.23
si la suposición parece verdadera de acuerdo con ellos. 2009 13,780 76.46
Pero no debemos olvidar que el origen de la hipótesis es 2010 14,590 76.69
nuestra mente analítica, reflexiva y crítica. Las estadísticas 2011 15,650 76.91
son únicamente un elemento formal para apoyar o descartar 2012 15,910 77.14
la idea. Los números nos dan elementos que sirven para fun-
damentar la posible relación de causa y efecto, pero no esta-
blecen la relación de manera contundente y segura. . Para tener una perspectiva más clara, podemos hacer una
gráfica en un plano coordenado, donde x sea el ¡PC y y sea la
Por esa razón observamos que hay relaciones polémicas. Se
EY. Para ello leemos los datos anteriores como ya hemos vis-
dice, por ejemplo, que fumar ocasiona cáncer. Sin embargo,
to, con R. La gráfica se elabora entonces con las siguientes
no todos los científicos están de acuerdo en eso. Hasta que no
instrucciones:
se establezca con certidumbre cuál es el mecanismo biológico
Da t os < - rea d. c s v (fil e.choose() ) riable independiente, la variable dependiente tenderá a ser
Da to s menor.
pl ot (Da tos$ I PC, Datos$EV )
Para verificar si esta intuición corresponde al comportamien-
El resultado lo tenemos en la figura 28, en la cual se aprecia to de los datos, podemos nuevamente leer las observaciones
que, al incrementarse el valor de ¡PC, también se incrementa con R y elaborar el. diagrama de dispersión correspondiente,
el de EV: A esto se le llama una correlación positiva, que que se muestra en la figura 29.
sugiere .una relación directamente proporcional. Cuando la
variable independiente crece, la variable dependiente tam-
bién se incrementa. CUADRO 4: PERROS ESTERILIZADOS Y PERROS ALBERGADOS
POR ARo EN EL CONDADO DE MARICOPA. FUENTE: CORTESIA
- DE RODRIGO SILVA NIETO.
o
[¡j o
'"
~
'"cD -
.... o
o
Año Esterilizados Albergados i
Bro - o 2005
o 41,952 103,106
o '"ori o
.... - o
, , , , 2006 36,438 100,985
2007 33,568 95,939
11000 12000 13000 14000 15000 16000
2008 48,227 95,407
Datos$IPC 2009 62,969 91,982
FIGURA 28: DIAGRAMA DE DISPERSiÓN DE LA ESPERANZA DE 2010 63,311 94,677
VIDA EN MÉxICO CONTRA EL INGRESO PERCÁPITA. FUENTE:
2011 61,804 89,225
(THE WORLD BANK, 2014).
2012 66,268 85,883
El diagrama apoya la hipótesis de que, si mejoran las condi- 2013 66,867 80,883
ciones económicas de las personas, éstas podrán vivir más
·a ños. La mejoría económica implica beneficios en alimenta-
ción, educación, salud y otras condiciones que pueden moti-
var que las personas vivan más. Pero no sólo nos brinda esa fI)
o
u v
información, también podemos observar que la relación de ro o - o
ambas variables parece aproximarse a una linea recta imagi- '"
L
ID
o
o o o o
naria, por lo cual se llama correlación lineal. .o 1[)

« m
- o
O

Por supuesto, habrá otros casos en que los puntos se aproxi- '"'"o o - o
men a una recta decreciente. Por ejemplo, el cuadro 4 mues- ~
ro o
tra los datos del número de perros esterilizados (variable O o
o
CIl
I I I I , I I
o

independiente) y el número de perros recibidos en albergues 35000 45000 55000 65000

en el condado de Maricopa, en Estados Unidos (variable de-
pendiente). El pensamiento lógico es que, al esterilizar a más Datos$Esterilizados
animales, se tendrán menos perros abandonados que deban
colocarse en los albergues. En este caso es probable que exis- FIGURA 29: DIAGRAMA DE DISPERSiÓN DE PERROS
ta una correlación negativa ya que, al incrementarse la va- ALBERGADOS CONTRA PERROS ESTERILIZADOS.
Antes de proseguir, hagamos aquí un pequeño ejercicio. Para
las siguientes parejas de variables, piensa cuáles tendrían
correlación positiva, correlación negativa, o de plano, ningu-
na correlación:
• x ='peso del gemelo A, y = peso de su gemelo B.
• x = número de horas de capacitación sobre seguridad en
el trabajo, y = número de accidentes ocurridos en el tra-
bajo.
• x = nivel socioeconómico de una 'persona, y = número de
libros que la persona leyó el último año.
• x = cociente intelectual de una persona, y = peso de la
persona.
• x = la altura de un hombre, y = su medida de calzado.
• x = el número de horas que un estudiante pasa en Face-
book en un mes, y = su calificación en español en ese
mismo mes.
Como ya te imaginarás, puede ser muy interesante medir
algunas de estas relaciones así como analizar sus caracterís-
ticas. Existen muchos tipos de correlación y la correlación no
sólo puede medirse entre dos variables, sino que puede ser
analizada entre grupos de variables, generalmente una de-
pendiente contra muchas independientes.
Para medir la correlación y determinar si se puede conside-
rar que existe o no, se utiliza comúnmente el coeficiente de
correlación lineal de Pearson entre dos variables de inter-
valo o razón. Se llama así porque fue propuesto por Karl
Pearson, británico (1857-1936). Se denota por la letra r y se
define en la ecuación 11.
Txy :::::::
L%.l (Xi - x)(y¡ - ji)
.sxSy
ECUACiÓN 11: COEFICIENTE DE CORRELACiÓN LINEAL DE
PEARSON.
Donde Xi es cada observación de la variable independiente;
Yi es cada observación de la variable dependiente. Como ya
hemos visto, x es la 'media de la variable independiente y Sx
la desviación estándar de la misma variable. Por otro lado, ji
es la media de la variable independiente y Sy la desviación
estándar de la misma variable. Por último, n es el tamaño de
la muestra, es decir. el conjunto de coordenadas u observa-
ciones con que se cuenta.
Este coeficiente de correlación lineal puede tomar cualquier
valor entre -1 (correlación inversa perfecta) y 1 (lo que indi-
caría la correlación directa perfecta). Como ya supondrás,
una correlación de cero o cercana a cero, significará que no
hay correlación lineal. Generalmente las ciencias exactas con-
sideran una correlación fuerte a un coeficiente de +-0.8 en
adelante, mientras que los investigadores en las ciencias so-
ciales se empiezan a emocionar con coeficientes de +-0.6 en
adelante.
Pero debemos tener cuidado, porque podría existir correla-
ción que no sea lineal, en forma de una curva o parábola, por
ejemplo. Lo importante es que siempre debe haber primero
un razonamiento lógico y serio que nos lleve' a pensar en la
existencia de la correlación, y posteriormente una comproba-
ción numérica,
Si no quieres batallar con fórmulas, puedes calcular el coefi-
ciente de correlación a través de la instrucción
=COEF.DE.CORREL( ) en Excel, colocando dentro del paréntesis
los rangos de las celdas correspondientes a la variable inde-
pendiente y dependiente, separadas por una coma. Puesto
que el coeficiente se calcula como una multiplicación y el
orden de los factores no altera el producto, no importa en qué
orden se coloquen ambas matrices. .
Es aún más sencillo utilizar R. En el caso de los dos ejemplos
anteriores, tenemos la instrucción cor que genera el coefi-
ciente de correlación lineal. Podrás observar los siguientes
resultados, leyendo primero los datos correspondientes .
Para los datos de EV contra IPC:
cor(Da t os $IPC, Da t os $EV)
[11 0. 9 812731
Para los datos de perros albergados contra esterilizados:
co r (Da t os$ Es te r i l i z ado s, Datos$ Al berga do s)
[ 11 - 0.7 951868
En el caso del IPC y la EV el resultado fue aproximadamente
0.98, que indica una fuerte correlación lineal positiva. Los
datos apoyan la hipótesis de que, a un mayor ingreso per cá:
pita, las personas vivirán más años.
En cambio, en el segundo ejemplo, el résultado fue negativo,
de aproximadamente -0.80, lo cual indica una fuerte correla-
ción lineal negativa. Los datos apoyan la hipótesis de que, si
se esterilizan más perros, se disminuirá la necesidad de reco-
Este resultado no implica que no exista dependencia, sino
que dicha relación no es lineal. Debemos tener cuidado, en-
tonces, al interpretar los valores del coeficiente, y considerar
siempre tanto la información que nos brinda la gráfica, como
el conocimiento y experiencia existentes alrededor del fenó-
meno analizado~
'ó (1
O>

... - o
ger y dar albergue a perros callejeros y abandonados. >- - o
°
o - ~ 0°
Cuando no existe correlación, encontraremos gráficas que no
muestran tendencia, es decir, no se acercan a una recta cre- "i
""'",'" <09'"
ciente ni decreciente, como se muestra en la figura 30. No 1 1 "" •

debemos olvidar que esto no es una prueba contundente de -2 -1 O

que no estén correlacionadas. Si consideramos que no están
x
correlacionadas, concluimos que las variables son indepen-
dientes entre sÍ. FIGURA 31: DIAGRAMA XY DE DOS VARIABLES CON
CORRELACJÓN CUADRÁTICA.

'" ~ o "o o. Pero aqu! no terminan las cosas interesantes que podemos
- o 'O
°8 o o o o o hacer con nuestras variables. Una vez establecida la correla- .
o - o
>- o -
o
o'" o o o
ción lineal entre ambas, es posible trazar una recta para mo-
- o
8
.
00
- o
--.-
. 0
n
o delar la relación de causa-efecto. Esto permite hacer
predicciones y comprender más los fenómenos.
-2 -1 o 1 2
En otro ejemplo, cuando Sir Francis Galton -junior inglés
x (1822-1911) y primo de Charles Darwin (1809-1882)- com-
FIGURA 30: DIAGRAMA DE DISPERSIÓN DE VARIABLES NO paraba la estatura de los hijos con respecto a la de sus padres,
CORRELACIONADAS. encontró que las medidas de los hijos tend!an a "regresar" a
En este ejemplo el coeficiente de correlación lineal es la estatura promedio de la población. Si no fuera as!, es decir;
0.2092351. Al ser cercano a cero, sugiere que no existe rela- si los hijos de padres altos fueran aún más altos y los de pa-
ción de dependencia entre ambas variables. dres bajos, todavía de menor estatura, como creen muchas
personas, a lo largo del tiempo habríamos observado la apa-
Como hemos dicho, el coeficiente de Pearson mide la correla- rición de gigantes y enanos, cada vez más frecuentes. Como la
ción lineal entre variables de intervalo o razón, pero dejará relación encontrada entre estaturas de hijos (variable depen-
escapar otro tipo de relaciones. La figura 31 muestra una diente) y padres (variable independiente) resultó similar a
evidente relación cuadrática o parabólica entre dos variables. una linea recta, Galton bautizó este modelo como regresión
La figura que se forma es parecida a una parábola. Sin em- lineal.
bargo, al calcular el coeficiente de correlación lineal, se ob-
tiene Txy = -0.009562261. Ahora la pregunta es: ¿Cómo encontrar la recta de regresión
más parecida a un conjunto específico de datos o puntos? Una

.' CENTRAL
• o ... . .. . ..
forma de hallarla sería trazarla a mano, con todo el cuidado
posible. Amenos que seamos excelentes' dibujantes, será
dificil que nos quede muy bien.
La alternativa es usar un método matemático que nos ayuda a
calcular las características de una recta particular, de tal for-
ma que las distancias entre los puntos observados y la recta,
sean mínimas. Supongamos que se mide la distancia (hacia
arriba o hacia abajo, según el caso) de cada punto a la recta
imaginaria. Si el punto queda arriba, la distancia es positiva.
Si el punto queda abajo, será negativa. Si sumáramos todas
estas distancias, los valores positivos y los negativos podrían
cancelarse entre sí, aún para magnitudes grandes. Para evitar
esto, se suman las distancias, pero elevadas al cuadrado. Pos-
teriormente se elige la recta que minimice la suma de estas
distancias al cuadrado.
Al procedimiento anterior se le llama método de mínimos
cuadrados. Suena bien, porque así obtendremos una recta
que pasará lo más cerca posible de todos nuestros datos.
Esta recta es muy útil: puede servirnos para interpolar valo-
res, es decir, para estimar el valor de la variable dependiente
para una variable independiente en particular. También se
usa para extrapolar, esto es, para pronosticar más allá de los
datos con que contamos. Todo esto debe hacerse siempre con
mucho cuidado, observando siempre que nuestros resulta-
dos, como diría el señor Spock de Viaje a las Estrellas, res-
pondan siempre a razonamientos lógicos.
Sabemos que una recta es la distancia más corta entre dos
puntos. De la misma forma, bastan dos características para
definir una recta particular: la pendiente, que mide la incli-
nación de la recta; y la ordenada al origen, que representa el
valor donde la recta cruza al eje vertical o eje Y.
La ordenada al origen se suele denotar con la letra a mientras
que la pendiente se expresa con la letra b. Entonces, la recta
correspondiente a ellas se modela con la ecuación 12.
y=ax+b
ECUACIÓN 12 : RECTA DE REGRESIÓN LINEAL SIMPLE.
Ahora, ¿cómo se obtienen los valores adecuados de a y b? No
te haremos sufrir,. el procedimiento involucra algo que se
llama cálculo diferencial, pero no entraremos en esos deta-
lles. Por el momento será suficiente con enunciar las siguien-
tes ecuaciones:
b n Ef=l x ¡y¡ -
Ef-l Xi Ef=l Yi
n Ef:l xl- CE?:1 Xi)
ECUACIÓN 13: ESTI MACIÓN DE LA PE NDIENTE.
a = y- bx
ECUACIÓN 14: ESTIMACIÓN DE LA ORDENADA AL ORIGEN.
Bueno, estas ecuaciones son necesarias para que este librito
realmente parezca un texto de estadística, pero no te vamos a
molestar con ellas. Para tu mayor tranquilidad, las dos pro-
piedades de la recta de regresión pueden calcularse utilizan-
do Excel, con las instrucciones
o Ordenada al origen o a: =INTERSECCION.EJE().
o Pendiente o b: =PENDIENTE().
Todavía más agradable, es encontrar estos valores con R. To-
memos el primer ejemplo, de la esperanza de vida contra el
ingreso per cápita. Primero lees los datos, como siempre,
después, usas las instrucciones:
modelo <- l m(Datos$ EV-Datos $I PC)
mode l o
La indicación 1m significa que usaremos un modelo lineal
(linear model)o Primero se coloca la variable dependiente
(Da t os$EV o lo que corresponda); luego el símbolo - que sig-
nifica que estamos modelando esa variable a partir de la otra;
por último, la variable independiente, Datos$ IPC o alguna
otra.
Al hacer esto obtendrás el siguiente resultado:
Coeffi cie nt s:
(In t e r cept) Da t o s$ I PC
7. 100 e +01 3.821 e - 04
Como ya imaginarás, el número debajo de Intercept es la or-
denada al origen o b, y el que está debajo de Datos$IPC es la
pendiente o a. El primer valor equivale a b = 7.100 X 10 1 =
71. El segundo valor equivale a a = 3.821 x 10- 4 =
0.0003821. El programa usa, como verás, una notación abre-
viada. Entonces, la ecuación de la recta que mejor"representa
los datos es la número 15.
y = 0.0003821x + 71
ECUACIÓN 15: EJEMPLO DE RECTA DE REGRESIÓN PARA
EVE IPC.
Ahora, si graficamos la recta que resulta de esta ecuación,
junto con las coordenadas que teníamos ya como datos, ob-
tendremos"algo similar a la figura 32" Para ello usamos dos
instrucciones:
plot(Da to s$IPC, Datos$ EV)
ab line(modelo)
La primera grafica los puntos de las observaciones, mientras
que la segunda traza la recta de la ecuación 15. Podemos ver
que la recta es bastante parecida a los puntos reales observa-
dos. En la figura no se ve, pero se puede imaginar que el pun-
to donde la recta cruza el eje vertical es el 71, cuando ellPC
fuera hipotéticamente igual a cero. Este dato no es direct<i-
mente interpretable~ sólo se usa para que la recta quede en
un lugar adecuado. No podríamos decir que en un país donde
no hay ingreso per cápita, la gente vivirá cerca de 71 años.
La pendiente significa que, por cada dólar de incremento en
el IPC se gana un 0.0003821 de año de vida esperada. Apro-
ximadamente, 3 horas con 20 minutos. En otras palabras,
debe incrementarse mucho el IPC para que veamos algo sig-
nificativo en nuestras vidas.
[U
'""' '".....
<D o
o
~
o '"
'"
.....
11000 12000 13000 14000 15000 16000
Datos$IPC
FIGURA 32: RECTA DE REGRESIÓN LINEAL SIMPLE PARA LA
ESPERANZA DE VIDA VERSUS EL INGRESO PER CÁPITA.
Te dejamos de tarea que hagas exactamente el mismo ejerci-
cio con los datos de los perros esterilizados y los perros reci-
bidos en albergues, peoro ahora con Excel. Será interesante
notar cómo cambia el valor de la pendiente, dado que ahora
la recta tendrá una inclinación decreciente. Para ello sólo
necesitas seleccionar la tabla e insertar un diagrama de dis-
persión. Hecho esto, coloca el ratón sobre los puntos y opri-
me el die derecho. Elige "Agregar línea de tendencia". Deja
marcada la lineal y marca también "Presentar ecuación en el
gráfico". Tu resultado debe ser semejante a la figura 33.
Observa que ahora la pendiente, es decir, el valor que multi-
plica a la x, resultó negativo: -0.416. Esto habla de la eficacia
del programa de esterilizaciones. En términos prácticos y
sencillos, significa más o menos que por cada dos perros que
se esterilicen, se necesitará albergue para un perro menos.
Sería interesante complementar estos datos con los costos,
tanto de esterilizar como de albergar a los animales.
 120000
100000 •.....~ ... •...........•.....
; ~onocer el valor ~e x. La ecu~ción 18 muestra la solución, que
80000 !
y = -0.416x + 115372
• llegar a un valor aproximado de 85,029 perros esterilizados
60000
40000
20000
o Con los elementos anteriores puede juzgarse la conveniencia
o 20000 40000 60000
FIGURA 33: PERROS ALBERGADOS VERSUS PERROS
ESTERILIZADOS EN MARICOPA, DATOS y REGRESiÓN LINEAL.
¿Cuáles son las ventajas de tener la recta y su ecuación? Va-
rias. En primer lugar, tenemos una idea más clara de cómo es
que una de las variables afecta a la otra. Por otro lado, ahora
es posible efectuar dos acciones interesantes: interpolar, es
decir, aproximar valores entre los datos que ya teníamos, y
extrapolar, esto es, pronosticar valores de perros albergados
para resultados de perros esterílizados fuera de los datos.
Por ejemplo, ¿cuántos perros deberán albergarse si se han
esterilizado en cierto año 50,000? Para saberlo, basta con
sustituir el valor de x = 50,000, como se ve en la ecuación 16.
y = -0.416(50000) + 115372 = 94572
ECUACiÓN 16: EJ EMPLO DE INTERPOLACiÓN
Esto puede servir para efectuar previsiones. También es fac-
tible hacer una extrapolación hacia valores por fuera de nues-
tros datos. Por ejemplo, saber cuántos perros deberán
albergarse si se logra esterilizar a 80,000 al año. El resultado
se muestra en la ecuación 17.
y = -0.416(80000) + 115372 = 82092
ECUACiÓN 17: EJEMPLO DE EXTRAPOLACiÓN
También se pueden resolver preguntas de corte más político.
Por ejemplo, ¿cuál es el número de perros que deberían este-
rilizarse anualmente para bajar el número de albergados a
80,000? En este caso conocemos el valor de y, pero queremos
Incluye el despeje de esta ultima variable. Sería necesario
por año.
(80000 - 115372)
x= -0.416 = 85028.85
ECUACiÓN 18: EJEMPLO DE CALCULO DE VARIABLE
INDEPENDIENTE.
80000 de to~ar o no ciertas acciones, de manera racional y científi-
ca. Sm embargo, no es prudente hacer extrapolaciones en
puntos muy lejanos a los datos, ya que no tenemos evidencia
de que el comportamiento continúa igual para estas zonas.
Por último, debemos enfatizar que no sólo pueden existir este
tipo de relaciones lineales entre dos variables. Como hemos
visto, podría haber una relación con formas distintas seme-
jantes a parábolas, funciones exponenciales que crec~n rápi-
damente o funciones logísticas que crecen primero con '
lentitud, luego rápidamente y al final se estabilizan.
Para estos casos la estadística tiene un instrumento, llamado
re~sión no lineal, muy parecido a la regresión lineal, que
consiste en efectuar transformaciones a los datos para hacer-
los semejantes a una recta, aplicar regresión lineal y, final-
mente, deshacer las modificaciones para utilizar los
resultados de manera semejante a lo que hemos visto aquí.
También es posible, y muy interesante, analizar el compor-
tamiento de una variable dependiente en función no sólo de
una, sino de muchas variables independientes de manera
lineal. En este caso se puede medir el efecto de 'cada una de
ellas y determinar su importancia en la conformación del
f~nón;eno resultante. Este análisis se llama (como ya te ima-
g¡~aras~, regresión lineal múltiple. Puesto que la interpreta-
Clan ,grafica de todas las variables en forma conjunta ya no
podna hacerse en un plano, generalmente se hace analizando
las variables por parejas.

Existen otras variantes de la regresión estadística, pero con-
fiamos en que este acercamiento te haya resultado útil. Nos
veremos pronto en el capítulo de inferencia estadística.
12. Ejercicio: Analicemos Facebook
Propósitos:
• Discutir la pertinencia del uso de las medidas de ten-
dencia central y de dispersión.
• Emplear gráficas para el análisis de variables.
• Explorar relaciones entre variables.
En esta ocasión exploraremos una base de datos sobre la red
social Facebook. Estos datos fueron simulados tomando como
base algunas estadísticas reales de Facebook, con un objetivo
didáctico.
Para iniciar habrás de cargar la base de datos fb que puedes
encontrar en www.inteligencianet.org.
* Carguemos la base de datos con el nombre de "fb" .
fb <- read.csv(file.c.hoose())
Exploremos pues qué variables tiene la base y conozcamos
cuántos casos tiene.
# Solicitemos los nombres de las variables y
* exploremos el tamaño de la base de datos .
names (fb)
dim(fb)
attach(fb)
¡Guau! Es una base de datos bastante grande, ¿no? Por el co-
mando dirn podemos ver que tiene 10 000 casos o registros y
cinco variables. Las variables son el número secuencial de
identificación, la edad en años cumplidos, el sexo, el número
de amigos en Facebook y el número de "me gusta" recibidos
por cada usuario. Vamos a explorar algunas de las variables
usando las medidas de tendencia central y de dispersión.
Solicitémoslas a R.
# Pidamos algunas las medidas de tendencia central y
# de dispersión con respecto a la edad.
mean (edad)
median (edad)
min (edad)
max (edad)
sd (edad)
var (edad)
Pregunta 1: ¿Por qué crees que la media y la mediana sean
diferentes?
Respuesta: Si obtienes la media de la edad (46.4672) Y la
mediana (43.00) podrías inmediatamente pensar que hay
una diferencia relativamente grande entre una y otra (de casi
tres años y medio). Si recuerdas, la media es sumamente sen-
sible a los datos extremos. En otras palabras, seguro que exis-
ten algunos casos extremos a la derecha (edades muy
grandes, de hecho el valor mayor de la base es de 141 años, lo
cual seguramente es falso e increíble) que hacen que la media
y la mediana sean distintos.
Pregunta 2: ¿Qué puedes inferir a partir de la desviación es-
tándar?
Respuesta: Simplemente corroborar lo que ya sospechába-
mos. Si recuerdas, en teoría podrías pensar que la mayoría de
los casos de una muestra se encuentra aproximadamente a
tres desviaciones estándar por arriba y por debajo de la me-
dia. Si valoramos qué tan lejos se encuentra la edad más
grande de la base (141 años) con respecto a la media, vería-
mos que se encuentra a 4.54 desviaciones estándar por arri-
ba de la media. Un valor muy extraño que sugiere que es
atípico si pensáramos que las edades de la muestra son pare-
cidas a la normal.
Sabemos por lo diferente de la media y la mediana que exis-
ten casos "extremos". Ahora deberíamos explorar quiénes son
esos casos. Para ello podemos graficar las edades en un his-
tograma.
* Solicit emos un h istograma.
his t (edad)
#.- Ag r eg u emos un poco de co l o r-.
hist(edad , co l = r a i nbo w (15»
#.- Solici t emos que e l his t og r ama se g rafique con base
e n porcen ta j e s, no e n frec u enci a s .
h is t (edad , col=rainbo w (1 5) ,freq= FALSE )
* F in alme n t e ag r e guemos r ó tulo ~ (t itulas ) a l g r áfico .
his t (eda d , col =rainbow( 1 5),freq=FALSE ,
x l ab= " Edades ",ylab="porcentaje",main=
" Dis t ribuc i ón d e l as edades en Facebook
(n~lO 000) " )
,
Pregunta 3: ¿Es posible observar datos extremos o atiplcos.
, .
¿Qué significan?
.' Respuesta: Desde luego. De hecho, es posible observar ~ue
existe una cantidad extraña de casos de personas por arflba
de los 100 años. ¿Nunca te has topado con el caso de algunos
amigos que sólo por bromear registran una edad exagerada?
¡Conocemos a más de uno!
Ahora exploremos la relación entre dos variables. Una rela-
ción que parecería lógica sería la cantidad de amigos del per-
fil (num_amigos) y la cantidad de "me gusta" que recibe . ~l
perfil (me_ gusta). La relación en,tre ar.nbas .vaflables d,ebefla
de ser positiva. Es decir, entre mas amigos tienes, es mas pro-
bable que tengas más "me gusta" en tus publicacIOnes.
! Exploremos l as carac t e rí sticas de ambas v ar iab l es.
surnmary(num_ amigos l
surnmary(me _ gusta l
La función surnmary () realiza un resumen de las medidas de
tendencia central.
i Gr afiquemos la re l ac i ó n entre l a s das var,iables .
pl o t (Ouffi_ ami g os ,me_9 usta )
Pregunta 6: ¿Qué relación tienen las medidas de tendencia
central con la nube de puntos?
Respuesta: Una vez más es posible observar datos extremos.
Sobre todo en el caso de la cantidad de "me gusta" recibidos.
Mientras ·que la media es de 309.3, hay un caso extremo de
90,130 "me gusta" (seguro alg6n artista o político).
Quizá para explorar mejor la relación, podríamos intentar
quitar datos tan extremos en la variable sobre la cantidad de
"me gusta". Para fines de este ejercicio, removamos los casos
que se encuentran a más de tres desviaciones estándar de la
media.
Vamos a crear una base de datos únicamente con los casos de
personas que obtienen una cantidad menor o igual a tres
desviaciones estándar de la media de la cantidad de "me gus-
ta".
f b2 <- s ub se t (fb , me_ gusta <=
(mea n (me_gus t a) +3*sd(me_ 9usta»)
Ahora podemos solicitar la misma nube de puntos entre las
dos variables con la nueva base. De igual forma podem os
solicitar un coeficiente de correlación e inclusive intentar
predecir la cantidad de "me gusta" con base en el número de
amigos que tienes.
* Grafiqu e mos l a re l ac i ón en tre las dos var iab l es .
plot (fb2 $nu m_am i gos, fb 2$ me _ 9 usta)
Parece haber una cIara relación lineal creciente entre las dos
variables. Comprobemos lo anterior al solicitar un coeficiente
de correlación entre ambas variables.
,! Soli c i temos e l coe f ic i e nte de correlación l i n ea l de
.f Pea r son.
cor (fb$ n u m_ ami g os ,fb$me_gusta )
Bueno, es una correlación excepcionalmente fuerte (con un
valor de r = 0.999975 3), lo cual resulta sumamente lógico: a
más amigos, más "me gusta" recibidos. Intentemos predecir
la cantidad de "me gusta" que tendrías si tuvieras 300 ami-
gos.
t So l ic i t emos el modelo de regresión li ne al. • Cálculo de áreas bajo curvas de distribución normal,
mo de l o < - l m (fb2$me _ gu s ta - fb2$num_am i gos) por encima de un valor, por debajo de él o entre dos
mode l o
valores, con representación visual. Visita:

Calculemos la cantidad de "me gusta" con base en el intercep- http://onlinestatbook.com/2/normal_distribution/ar

to (26.05) y el coeficiente de la variable cantidad de amigos: eas_normal.html
49.8 5 +0.6*300 • Pequeño manual llamado "R para Principiantes", ela-
borado por Emmanuel Paradis y traducido al español
Finalmente grafiquemos la nube de puntos dibujando la recta por Jorge A. Ahumada. Puedes descargarlo y guardar-
de mejor ajuste del modelo de regresión lineal. lo para usarlo cuando lo necesites, desde:
p l ot (fb2$nuffi_amigos,fb2$me_gusta)
http://cran.r-project.org/doc/contribjrdebuts_es.pdf
ab li n e (modelo, col="red")

Pregunta reto: ¿Quién tiene más "me gusta" en promedio, los

hombres o las mujeres? ¿Es significativa la diferencia?
Ejemplo modificado de: Ekles, D., Burke, M., Saden, C. y Mes-
sing, S. (2014). Data analysis with R. Disponible en:
https:ffwww.udacity.comfcoursefud651.

13. Cuatro sitios web interesantes

• The R Project for Statistical Computing: Aquí puedes

descargar el software libre y gratuito llamado R, con
el cual puedes hacer todo tipo de cálculos y gráficos.
Funciona en cualquier sistema operativo e inclusive
en un iPhone. Prueba los ejemplos que hemos visto
para enamorarte de este recurso. Instala el programa
y obtén su documentación en:
http://www.r-project.orgf
• El entorno llamado RStudio que te facilitará el manejo
de R. También es gratuito y se puede instalar en cual-
quier computadora. Descárgalo e instálalo desde:
http://www.rstudio.com/
14. Para muestra, ¿basta un botón?
Se examinó la relación entre la exposición a música
televisiva, programas de televisión de alta audiencia.
revistas de modas y redes sociales, todos sexualmente
objetivan tes, asf como la internalizaci6n de ideales de
belleza y la vigilancia del cuerpo. en un grupo de chicas
adolescentes (0=558). Se encontró un modelo de ecuación
estructural que muestra una relación directa entre los
medios que objetivan sexualmente y la internalización de
ideales de belleza, así como indirecta . entre los medios
objetivan tes y la auto~obietivaci6n, así como la vigilancia del
cuerpo a través de la internalizaci6n de ideales de belleza.
(Vandenbosch y Eggermont, 2012).
Esto de la "objetivación sexual" es
interesante. Se dice así cuando se
considera a la persona un objeto
sexual, un instrumento para generar
placer seXual, sin tomar en cuenta
sus capacidades intelectuales, sus
emociones, sus percepciones, su ser
integral. En el estudio que citamos en
el epígrafe y que ahora no tiene que
ver con el arte, sino con la literatura académica, se manejan I

ideas inquietantes, como la "internalización de ideales de

belleza" y la "vigilancia del cuerpo". ¿Cómo es que una mujer,
particularmente una chica adolescente, determina cuándo se
posee belleza y cuándo no? ¿Cómo influyen en esta determi-
nación los medios de comunicación? ¿Cómo se modifica la
auto percepción y cómo se vigila el propio cuerpo a la luz de
estas ideas? ¿Nos sentimos bellas o no? ¿En qué medida nos
afecta ese sentimiento? ¿Cómo cuidamos -o descuidamos-
nuestro cuerpo para ceñirlo a los estándares de belleza? ¿Nos
hace infelices ser distintas de las modelos perfectas que pre-
sentan los medios?
Todas son preguntas apasionantes, pero en realidad el frag-
mento de texto del epígrafe que .quiero comentar contigo es
tal vez el más misterioso: n = 558. Estarás de acuerdo en que
para responder a preguntas como las anteriores, un investi-
gador debe acercarse a las chicas adolescentes e indagar sa C
biamente sobre el tema. Pero, ¿cuántas chicas adolescentes
hay en el mundo? ¿Será igual en todos los países? ¿En todos
los niveles socio económicos? ¿En las regiones urbanas o ru-
rales?
No es posible acercarse a todas las chicas adolescentes. Un
investigador tiene recursos limitados, sobre todo, tiempo
limitado. Pero si tiene suficiente interés y curiosidad, no deja-
rá , de buscar estos datos. ¿Qué hace entonces? Seleccionar
una muestra que esté a su alcance: un subconjunto razonable
y accesible de toda la población de chicas adolescentes.
Lo que los autores del epígrafe hicieron fue estudiar una
muestra de tamaño n = 558. Es interesante preguntarse por
lo menos dos cosas:
a) Cómo se seleccionaron las 558 chicas adolescentes de
entre toda la población existente. ¿Importa la forma
de selección de las chicas, afecta en algo los resulta-
dos encontrados? ¿Hay formas de selección mejores
que otras?
b) Por ' qué precisamente ese número extraño, 558.
¿Puede ser cualquier número o hay ciertos números
mejores que otros?
Éstas son las dos preguntas básicas que trata de resolver la
teoría del muestreo: cómo seleccionar a los eleméntos de la
muestra y cuántos elementos tomar. Ambos aspectos son
importantes para que podamos tener confianza en que la
muestra es verdaderamente representativa de la población
que deseamos estudiar.
y claro, existe la frase "para muestra, un botón". ¿De verdad
con un botón podemos conocer todos los demás? A veces.
Sólo en ciertos casos. Si tenemos una canasta llena de boto-
nes idénticos, ¿cuántos deberíamos sacar y observar para
saber cómo son todos? Bastaría con uno.
Sin embargo, si la canasta contiene una gran diversidad de
botones, de todas las formas, colores y tamaños, sería necesa-
rio revisar muchos de ellos o inclusive todos, para conocer
con precisión qué tenemos ahí.
Observar botones no es una ocupación seria, pero el ejemplo
sirve para destacar un punto esencial: al describir grupos no
es tan importante el número de elementos que los confor-
man, sino la pOSible heterogeneidad que exista entre ellos.
Esto nos lleva a uno de los problemas más apasionantes -y
probablemente más desprestigiados- de la estadística infe-
rencial: la teoría del muestreo.
Hemos dicho ya que el ser humano tiene una afición innata
por medir y comparar. Sin embargo, en algunos casos esta
actividad puede resultar complicada, riesgosa, cara o excesi-
vamente laboriosa.
Por ejemplo, para determinar el tipo de sangre de una perso-
na, resultaría impensable e innecesario extraer todo ellíqui-
do de su cuerpo. Por fortuna, es suficiente tomar una sola
gota. ¿Por qué? Porque se parte del principio de que toda la
sangre lleva la misma información. Así, vamos al laboratorio y •
nos toman una muestra, es decir, un pequeñísimo subconjun- I
to del torrente sanguíneo, con lo cual sufrimos una molestia
mínima y ningún daño importante. Con esa muestra almace-
nada en un tubo de ensayo, pueden efectuarse muchas prue-
bas que darán información sobre nuestra salud.
Supongamos ahora que un partido político quiere conocer la
intención de voto de las .personas que viven en cierta delega-
ción o municipio. A diferencia de la sangre, no es razonable
pensar que todos plane"n hacer lo mismo, así que habría que
preguntar a muchos sujetos. Idealmente, a todos. ¿Sería posi-
bley sensato hacer esto? Seguramente que no. La alternativa
lógica, entonces, es registrar las respuestas de "algunos" indi-
viduos. ¿Cuántos y cuáles? ¿Qué confianza y precisión se ob-
tendrán de un estudio semejante? Ah, ese tipo de preguntas
se responden incursionando en los principios del muestreo.
Comencemos con algunas definiciones sencillas.
Llamaremos población al conjunto completo de observacio-
nes o mediciones que pueden efectuarse para responder al-
guna pregunta de interés. En el ejemplo anterior la población
se conforma por las opiniones de todos los adultos de la dele-
gación o municipio en cuestión, en edad y condición de votar.
Si la población no es demasiado grande, si se cuenta con los
recursos necesarios y si la medición no implica riesgos, po-
demos darnos el lujo de registrar los resultados de absoluta-
mente todos los elementos de la población. A esto se le llama
hacer un censo.
En México, por ejemplo, se hacen censos poblacionales cada
diez años. Si bien son un esfuerzo relevante y útil, en un sen-
tido muy estricto podrían no merecen el nombre de censo.
Existen muchas deficiencias en el proceso y los resultados
suelen ser incompletos. Nuestro país es muy grande, la po-
blación muy abundante y la diversidad es enorme. Por ello en
ocasiones se dice que vale más una buena muestra que un
mal censo.
Pero, ¿qué es una muestra? Sencillamente, un subconjunto
de la población. Si este subconjunto se elige de manera co-
rrecta, de acuerdo con una serie de cuidados y reglas, sus
elementos contendrán de manera bastante aproximada las
mismas características que interesa medir en la población. De
hecho, es lo que sucede con la sangre. Basta con tomar unos
cuantos mililitros para saber cómo es todo el flujo sanguíneo
de una persona. En este caso decimos que se trata de una
muestra representativa de la población, porque refleja to-
das sus características de manera confiable.
Para obtener este tipo de muestras es indispensable cuidar la
forma en que los elementos se eligen, con objeto de que la
selección misma no ocasione que cierto tipo de informaci6n
quede fuera o dentro de la muestra, con lo cual los resultados
perderían su validez. Si bien medir s610 un subconjunto y no
toda la población permite ahorrar en tiempo, dinero y esfuer-
zo, este ahorro no debe implicar un sacrificio en cuanto a la
calidad de la medición.
Veamos otro caso. Algunos estudiosos del tema, han propues-
to la hipótesis de que las mujeres poseen mayores habilida-
des verbales que los hombres, lo cual es bastante polémico
(Feingold, 1988). Supongamos quenas interesa probar esta
afirmación y contamos con Wl instrumento adecuado para
hacer la medición correspondiente a la habilidad verbal. Pero
no podemos efectuarla en todos los hombres y mujeres, ya
que es imposible, así que debemos elegir una muestra de
cada grupo. Entonces, decidimos que la muestra de mujeres
se obtendrá de las estudiantes del doctorado en letras de la
UNAM, mientras que la de hombres saldrá de la Selección
Mexicana de Futbo!' ¿Te parecen muestras representativas y
adecuadas?
Tal vez es un ejemplo exagerado, pero se trata de enfatizar
que una selección inadecuada puede influir decisivamente en
los resultados, generando conclusiones incorrectas.
Una forma natural de eliminar esta influencia que se llama
sesgo, es utilizar el muestreo aleatorio. Es decir, dejar com-
pletamente al azar la selección de los elementos a medir, evi-
tando la intromisión de cualquier otro criterio. Al usar este
método, todos los elementos de la población tendrán la mis-
ma probabilidad de aparecer en la muestra.
Existen técnicas sencillas para generar muestras aleatorias.
En el caso de los votantes o el estudio de las habilidades ver-
bales, podrían anotarse los números de sus registros en el
Instituto Nacional Electoral y luego sortearlos, en una especie
de lotería. Para obtener estos números aleatorios de manera
inmediata, puedes escribir en Excel =ALEATORIO.ENTRE(1,100).
Con ello tendrás un número ál azar entre uno y cien. Copia la
celda anterior para generar tantos números como necesités.
La desventaja de Excel es que pueden aparecer números re-
petidos.
En R se usa la siguiente instrucción para obtener diez núme-
ros aleatorios entre 1 y 100, sin que se repita ninguno.
Anímate a pro llar con diferentes opciones; El resultado está
en el segundo renglón. Cuando tú lo repliques, obtendrás
números distintos porque, precisamente, se trata devalares
al azar. De hecho, si ejecutas varias veces la misma instruc-
ción, ocurrirán resultados distintos.
s ampl e (1 : 1 00 , 10)
[ 1] 94 9 10 7 38 13 40 7 5 35 25
La idea es que evitemos, en la medida de lo posible, hacer lo
que se llama muestreo por conveniencia o muestreo. a jui-
cio, que consiste en elegir a Io.S elemento.s de la población de
la forma más cómoda para el investigador. Por ejemplo, si
vamos a medir la intención de voto de las personas y decidi-
mos hacer una encuesta sólo con nuestros vecinos o nuestros
compañeros de trabajo, esta selección podría orientar l ,os
resultados hacia valores distintos de los de toda la poblaclOn.
Tal vez, si yo trabajo en la UNAM, pudiera encontrar una ten-
dencia más inclinada a los partidos de la izquierda. En cam-
biO, si usamos un muestreo aleatorio, quedarán en la mues~ra
personas con distintas preferencias, más o menos en. ~a miS-
ma proporción que existen dentro de' toda la poblaclOn. Eso
permitirá conocer bastante bien a la población a través de la
muestra.
Ahora, una vez generados los números aleatorios que identi-
fican a las personas o elementos de la población que vamos á
medir, habría que localizar a los sujetps. sorteados par¡¡ reca-
bar su respuesta. En un municipio o delegación grande, esto
sería seguramente impracticable, así que requerimos otras
ideas adicionales para conseguir muestras representativas a
bajos costos. El muestreo aleatorio es una g~anidea pero
puede ser complicada de llevar a cabo en la realIdad.
Para hacer muestreos aleatorios eficientes, rápidos y econó-
micos, pero representativos, existen otras técnicas adiciona-
.les interesantes como la estratificación, el uso de
conglomerados, la selección sistemática Y las etapas múlti-
ples. Revisemos brevemente cada uno de ellos.
El muestreo estratificado consiste en dividir a la población
en clases o estratos para luego, dentro de cada uno de ellos,
obtener una muestra. En esta técnica se pretende que todos
los estratos queden representados. Por ejemplo, una delega-
ción podría dividirse en colonias y hacer, dentro de cada una,
la muestra correspondiente.
En el caso del estudio de las habilidades verbales de hombres
y mujeres, se podría dividir a la población por edades, ubica-
ciones, nivel socioeconómico, grado de estudIOS u otra vana-
ble de interés, para luego t omar elementos de cada una de
esas clases o estratos. De esa forma se garantizará que haya
elementos de cada clase y será posible observar si esa clase
tiene alguna influencia en los resultados obtenidos. Se podría
analizar, por decir algo, si el grado de estudios afecta las habi-
lidades verbales, además del género de la persona.
Por contraparte, el muestreo por conglomerados también
consiste en dividir a la población en subconjuntos, pero pos-
teriormente se hace una muestra de los conglomerados o
grupos y sólo algunos serán seleccionados para la medición.
Por ejemplo, dentro de cada colonia podrán identificarse to-
das las manzanas y. aleatoriamente, elegir 'sólo algunas de
ellas para aplicar una encuesta. A diferencia del muestreo
estratificado, en este sólo se considerarán algunos conglome-
rados y no todos ellos.
En el estudio de las habilidades verbales de hombres y muje-
res podríamos aplicar alguna prueba dentro de varias univér-
sidades. Para facilitar el trabajo, podríamos dividir a la
población por carreras y luego seleccionar, de manera proba-
bilística, sólo algunas carreras para aplicar el instrumento de
medición. La selección probabiHstica es muy adecuada, por-
que impedirá que otras variables tengan efecto en el resulta-
do y distorsionen nuestras observaciones. Por ejemplo,
podría parecer interesante aplicar la prueba sólo a alumnos
de carreras como comunicación o letras, pero esa selección
sesgada podría generar un resultado que no representa lo
que ocurre en otras poblaciones .
Ahora, la técnica de muestreo sistemático consiste en nu-
merar los elementos de una población y elegir ciertos núme-
ros en particular. En el caso de la intención de voto podrian
seleccionarse todas las casas cuyo número es múltiplo de
diez. De esta forma se facilitaría la recogida de datos, sin in-
troducir elementos de sesgo, ya que el número de las casas
no parecería ser una variable que modifique el resultado de
interés. Son ideas muy sencillas que pueden ayudarte a que
tus datos sean de mayor calidad, con menos trabajo.
El muestreo por etapas o multietápico, como seguramente
imaginarás, resulta de la aplicación sucesiva de dos o más de
las técnicas ya mencionadas. Por decir algo, Etapa 1: mues-
treo por estratos de las colonias de un municipio. Todas las
colonias estarán representadas. Etapa 2: muestreo por con-
glomerados de manzanas. En cada colonia se seleccionan ¡jI
azar sólo algunas manzanas para aplicar ahí la encuesta. Eta-
pa 3: muestreo sistemático de casas habitación cuyos núme-
ros sean múltiplos de diez. Sólo se aplicará la encuesta a las
casas cuyo número sea 10, 20, 30, etcétera. Etapa 4: aplicar
encuesta a todos los habitantes de la vivienda elegida, pre-
sentes y mayores de edad. De esta forma se obtendría un
marco muestral factible y razonable.
Si bien estas técnicas tienen como propósito auxiliar al inves-
tigador para contar con datos útiles con el menor costo, no
debemos olvidar que los resultados obtenidos de esta forma
estarán siempre sujetos a un error muestral, puesto que no
se midió a la población completa sino a parte de ella. Aunque
este error es inevitable, la teoría del muestreo nos permite
tener una idea aproximada de su magnitud que debe ser, por
supuesto, relativamente pequeña.
Se buscará entonces determinar un tamaño de muestra,
denotado por n, que permita que nuestras conclusiones sean
a la vez confiables y precisas. Este tamaño está en función de
cuatro aspectos:
a) La varianza de los datos. Mientras más heterogéneos
o dispersos Sean los valores de la población, necesita-
remos una muestra mayor para conocerla. La hetero-
geneidad de la población se mide con su varianza a 2 •
Por lo general este valor no se tiene, ya que no pode-
mos medir directamente a toda la población, sino que
se estima en alguna prueba piloto.
b) El nivel de confianza deseado. Para tener más con-
fianza en los resultados obtenidos, deberemos au-
mentar el tamaño de la muestra. En general se trabaja
con una confianza del 95% que significa que la pro-
babilidad de que la media de la muestra sea similar a
la media de la población es de 0.95. Debe aceptarse la
posibilidad de error porque de otra forma, para tener
una probabilidad de 1, tendríamos que estudiar a la
población completa y no a una muestra. La probabili-
dad de error suele ser de 5% o 0.05 y se le llama a . El
nivel de confianza es (1 - a)100%.
c) El error de precisión que se aceptará en el cálculo. Si
estamos dispuestos a tolerar un error relativamente
grande, podemos hacer muestras más pequeñas y vi-
ceversa. La única forma de que el error de precisión
sea cero, es hacer a la muestra igual -a la población. Al
error tolerado se le designa con la letra E.
d) El tamaño de la población, que influye mucho me-
nos que los aspectos anteriores e inclusive puede lle-
gar a considerarse como infinito sin problema. Este
tamaño se llama N.
Existen fórmulas apropiadas para determinar el tamaño de
las muestras según todos los valores anteriores y de acuerdo
con el tipo de estudio que deseamos efectuar. La fórmula a
elegir depende de lo que queremos conocer en la población.
Los dos valores que más comúnmente se desean conocer en
una población son la media, para datos cuantitativos, y la
proporción, para datos cualitativos. La media ya la hemos
explicado en la sección 8. La proporción, que se denota por
la letra p, es sencillamente el número de elementos de la po-
blación que poseen o no cierta característica, entre el total de
elementos. --
En el caso de las habilidades verbales de hombres y mujeres,
probablemente aplicaríamos una prueba y compararíamos
las medias obtenidas por cada grupo. En el caso de la inten-
ción de voto, trataríamos de determinar la proporción de
votantes que se inclinan hacia cierto partido en particular o
que no irán a votar.
Bien, para ambos valores, la media y la proporCión, contamos
con fórmulas sencillas que permiten obtener los tamaños
ideales de las muestras. Estas fórmulas tienen como origen el
teorema del límite central, que ya comentamos en la sección
10. No te preocupes mucho por ellas, son sencillas de utilizar.
Si deseamos conocer la media de una población a través de
una muestra, la ecuación 19 utiliza los tres primeros valores
que hemos explicado arriba, varianza, nivel de confianza y
error. La población puede ser muy grande. >< '"o
"
ro
(Zl_a/2)2 a 2 U N
6
n= E2 "
E
iL q
ECUACIÓN 19, TAMAÑO DE MUESTRA PARA ESTIMAR LA MEDIA o
DE UNA POBLACIÓN INFINITA o MUY GRANDE. -4 -2 O 2 4
El nivel de confianza es la probabilidad de que la media de la
X
muestra sea un valor adecuado. Según el teorema del límite
FIGURA 34, NORMAL ESTÁNDAR CON ÁREA DE 95% EN GRIS.
central, las medias muestrales siguen una distribución nor-
mal. En la ecuación 19, Zl-a/2 es lo que llamamos punto críti- Ahora es muy sencillo aplicar la ecuación 19. Basta con iden-
co en la sección 10 para una distribución de probabilidad tificar cada valor para el caso particular que nos interese.
normal estándar, es decir, con media igual a cero y varianza Supongamos que en una población la varianza fue de
2
igual a uno. Se usa Z en lugar de X cuando la normal tiene a = 900 Y se desea que el máximo error al estimar la media
estas propiedades. sea de 2 unidades. El tamaño de muestra se calcularía con las
siguientes instrucciones,
¿Qué significa este punto crítico y por qué se calcula para
varianza <-400
1 - aJ2? Queremos tener un 95% de confianza de que la
media muestral sea semejante a la media poblacional real. error <- 2
•
Como vimos en la sección 10, la media muestral tendrá una
distribución de probabilidad normal y el área de 0.95 está
marcada en gris en la figura 34. Al ser un área de 0.95, las
n <- {qnorm (O 0.975, O, 1) "2*varianza) / (error) "2
n
¡
¡

áreas restantes en cada una de las colas a la izquierda y a la
derecha, en blanco, corresponden a un área total de 0.05.
Como la distribución es simétrica con respecto a su punto
central, cada una de 'estas áreas en blanco debe medir lo
mismo, esto es, cada una abarca 0.025 de probabilidad. Esto
significa que, a final de cuentas, el punto que separa el área
gris de la .blanca a la derecha, corresponde a 1-0.025=0.975,
que es exactamente 1 - aJ2. Por eso es que se busca el valor
crítico Zl-a/2'
El resultado es n = 384.1459. Como el tamaño de muestra
debe ser entero, se puede redondear a 384. R puede hacer
este redondeo por ti si cambias la instrucción anterior por,
n <- round«qnorm(ü.975,O,1) "2*varianza)/(error) "2,ü)
,1
Puedes jugar con el código anterior y analizar qué sucede si ,
Incrementas el nivel de confianza, si aumentas la varianza o si
disminuyes el error tolerado. En todos estos casos el tamaño '1
de muestra se hará mayor, ¿te parece lógico?
Ahora, el tamaño de muestra para estimar una proporción se
muestra en la ecuación 20. Es semejante al anterior, salvo que
~hora la varianza de la población se estima como p(l - p). Al
Igual que antes, tenemos el problema de que no conocemos p.
De hecho, es precisamente el valor qué estamos buscando.
Entonces, para calcular el tamaño de muestra se suele susti-
tuir por p = 0.5, que genera la máxima varianza y, por lo tan-
 to, el_ máximo tamaño de muestra, que será más que suficien-
te para nuestros fines,
2
(Zl_~) p(l - p)
n=· E2

,
•
ECUACiÓN 20: TAMAÑO DE MUESTRA PARA ESTIMAR LA
?ROPORCIÓN DE UNA POBLACiÓN INFINITA O MUY GRANDE.

Así pues, para encontrar el tamaño de muestra con que se

estimará la proporción de votantes por cierto partido, en una
~ - oblaCÍón de 50 millones como la de México, con un error de
P0,0 1, el tamano
- de mues t ra sena:
'
,..
• -'; ..-=1': 0 :: ,- ) . o:
n (- ::-· )1jn i ( ~:,.:)rm(O. 975) "2* (0.5) "2/error"2, O) FIGURA 35: PARÁMETROS y ESTIMADORES.

~.
..
~

Coa un resultado de n = 9,604. Observa que en la función

"",,,r' no es necesario colocar la media y la desviación están-
dar cuando son, respectivamente, cero y uno, que correspon-
den a!a normal estándar, Observa que para una población tan
arande, la muestra sería relativamente pequeña, siempre y
~ua mio la selección de los elementos fuera aleatoria.
Por último, para concluir este apartado, es importante definir
dos conceptos relacionados con población y muestra: pará-'
metroS v estimadores, que puedes ver en la figura 35.
'"
e.. Las mediciones efectuadas sobre una población y que reflejan
algulla característica de interés se llaman parámetros, Por la
Q dificultad que existe para su registro puesto que no tenemos
ilcceso a los datos de toda la población, generalmente resul-
t3!1 desconocidos. Como ejemplos tenemos la media, varianza
11 proporción poblacionales,
En l"clmbio, las mediciones efectuadas sobre una muestra
reciben el nombre de estimadores de los parámetros. Si di-
cin muestra es representativa de la población y si hacemos
ins ca)cu!Os correctos, esperaríamos que sean valores numé-
ricos bastante aproximados a los parámetros.
Consideraremos entonces que los parámetros son valores
desconocidos, que no vamos a calcular de manera exacta,
sino a estimar a través de los datos muestrales. Los estimado-
res son números que pretenden acercarse a los parámetros.
Los estimadores no son idénticos a los parámetros, puesto
que se calculan a través de la muestra, Por lo tanto, siempre
contendrán un error muestra\. Como las muestras serán alea-
torias, cada vez que se genere una muestra, se obtendrían
diferentes estimadores para los mismos parámetros, Esto
significa que los estimadores son también variables aleato-
rias que responden a una distribución. de probabilidad, como
veremos en la siguiente sección,
El objetivo fundamental de la estadística inferencial, como
dijimos en la sección 1, es conocer las características de una
población a través de información extraída de una. muestra
aleatoria, Esta información nos permitirá, además, tomar
decisiones importan.tes acerca de la población,
Ya hemos visto cómo seleccionar muestras apropiadas y eco-
nómicas. Ahora hablaremos de cómo utilizarlas para estimar
los valores desconocidos de los parámetros de la población,
 to, el máximo tamaño de muestra,. que será más que suficien-
te para nuestros fines.

n '=.
(Zl-!!r p(l-p)
2
E2
ECUACIÓN 20: TAMAÑO DE MUESTRA PARA ESTIMAR LA
PROPORCIÓN DE UNA POBLACIÓN IN FIN ITA O MUY GRANDE.

Así pues, para encontrar el tamaño de muestra con que se

estimará la proporción de votantes por cierto partido, en una
población de 50 millones como la de México, con un error de
0.01, el tamaño de muestra sería:
e rro r <- 0.01
~
n < - round (q no r m(O.9 7 5) A2* (O.5) A2/err or A2 , O)

I
FIGURA 35: PARÁMETROS y ESTIMADORES.
n

Con un resultado de n '= 9,604. Observa que en la función

no es necesario colocar la media y la desviación están-
q n o rm
darcuandQ son, respectivamente, cero y uno, que correspon-
den a la normal estándar. Observa que para una población tan
grande, la muestra sería relativamente pequeña, siempre y
cuando la selección de los elementos fuera aleatoria.
Por último, para concluir este apartado, es importante definir
dos conceptos relacionados con población y muestra: pará-
metros y estimadores, que puedes ver en la figura 35.
Las mediciones efectuadas sobre una población y que reflejan
alguna característica de interés se llaman parámetros. Por la
dificultad que existe para su registro puesto que no tenemos
acceso a los datos de toda la població.n, generalmente resul-
tan desconocidos. Como ejemplos tenemos la media, varianza
o proporción poblacionales.
En cambio, las mediciones efectuadas sobre una muestra
reciben el nombre de estimadores de los parámetros. Si di-
cha muestra es representativa de la población y si hacemos
los cálculos correctos, esperaríamos que sean valores nUmé-
ricos bastante aproximados a los parámetros.
Consideraremos entonces que los parámetros son valores
desconocidos, que no vamos a calcular de manera exacta,
sino a estimar a través de los datos muestrales. Los estimado'
res son números que pretenden acercarse a los parámetros.
Los estimadores no son idénticos a los parámetros, puesto
I!l
que se calculan a través de la muestra. Por lo tanto, siempre
contendrán un error muestra!. Como las muestras serán alea-
torias, cada vez que se genere una muestra, se obtendrían ~
diferentes estimadores para los mismos parámetros. Esto ij
significa que los estimadores son también variables aleato- I
I
rias que responden a una distribución.de probabilidad, como
veremos en la siguiente sección.
El objetivo fundamental de la estadística inferencial, como
dijimos en la sección 1, es conoc·er las características de una
población a través de información extraída de una. muestra
aleatoria. Esta información nos permitirá, además, tomar
decisiones importantes acerca de la población.
Ya hemos visto cómo seleccionar muestras. apropiadas y eco-
nómicas. Ahora hablaremos de cómo utilizarlas para estimar
los valores desconocidos de los parámetros de la población.
15. Adivinanzas informadas: Los estimadores
En este mundo hay sólo dos tragedias. Una es no conseguir
lo que se desea, la otra es conseguirlo. La última
es la peor, ¡es la verdadera tragedia! ÓSCAR
. WILDE, El Abanico de Lady Windermere.
Efectivamente y como siempre,
Óscar Wilde tiene razón en
esta inquietante frase. La in-
tención, te la dejo de tarea,
tiene mucha tela de donde cortar. Además, el significado se
actualiza conforme la vida avanza. Pero aprovecharemos para
recordar qué es lo que queremos en este momento, al menos
en cuanto a nuestros deseos estadísticos.
Queremos estudiar una población y sólo podemos acudir a
los datos de una muestra. En el mejor de los casos y si segui-
mos los consejos de la sección anterior, tendremos una buena
muestra. Los valores que obtendremos a partir 'de la muestra
se llaman estimadores y son, en realidad, una adivinanza in-
formada acerca de los valores reales y desconocidos de los
parámetros. Son una adivinanza porque sabemos que la
muestra y la póblación no son idénticas.
Por ejemplo, si deseamos conocer el comportamiento de la
contaminación ambiental, tendremos que tomar datos en
algunos lugares y momentos específicos. La teoría del mues-
treo nos ayudará a hacer correct¡¡mente la selección de estos
lugares y momentos. Supongamos que con los datos quere-
mos conocer, por decir algo, el Índice Metropolitano de Cali-
dad del Aire o ¡MECA [Secretaría del Medio Ambiente DF,
2014) promedio de una zona, en cierto momento.
Por supuesto, ha podemos medir la contaminación en absolu-
tamente todos los puntos de la zona, que son una infinidad.
Tomaríamos entonces sólo algunos puntos estratégicos y
efectuaríamos la medición, con lo cual tendríamos la muestra.
De hecho, así es como se hace en la realidad. El promedio de
esos puntos muestrales sería entonces un estimador del
promedio real [parámetro desconocido) de toda la zona. Pero
no es el único estimador, también podríamos tomar un solo
punto de la muestra; promediar el mayor y el menor; usar la
mediana o la moda. Es decir, podemos utilizar diferentes
aproximaciones para estimar un parámetro.
Por supuesto, no todas estas aproximaciones serán igual de
buenas. Hay unas mejores que otras. Nuestro propósito, o
nuestro deseo como diría Óscar Wilde, es seleccionar la me-
jor aproximación. Veamos.
La meta fundamental es que los estimadores se parezcan o
estén cerca del valor real de los parámetros. Para ello hay que
ponerse listo y elegir el mejor estimador. El mejor estimador
será aquel que satisfaga todas las propiedades deseables
que describimos a continuación:
• Supongamos que tenemos el tiempo y el dinero para ha-
cer muchas muestras diferentes de la misma población.
Nos gustaría 'que, si promediamos los estimadores obte-
nidos de cada una de esas muestras, el resultado fuera
igual al parámetro que queremos estimar. Si cumple esto
se dice que el estimador es insesgado. Su valor esperado
es igualo al menos se acerca al parámetro desconocido.
• Nuevamente supongamos que podemos hacer muchas
muestras. Nos gustaría que, si usamos el mismo estima-
dor en cada una de ellas, el resultado fuera siempre pare,
cido. Es decir, nos agradaría que su varianza fuera
mínima. Un estimador con varianza mínima se llama efi-
ciente.
• También sería conveniente que el estimador utilice toda
la información disponible en la muestra. No nos daría
confianza usar sólo un par de puntos o uno solo. Cuando
el estimador usa todos los datos de la muestra se llama
suficiente.
• Por último y por supuesto, esperaríamos que, al aumen-
tar el tamaño de la muestra, el estimador se acerque más
y más al parámetro. Cuando esto pasa se dice que el esti-
mador es consistente.
Todas estas propiedades se pueden definir de manera más
formal y matemática. También puede demostrarse algebrai-
camente si se cumplen o no para diversos estimadores. Por
fortuna, para el objetivo de este texto, bastará con dejar clara
la idea de que existen unos estimadores que funcionan mejor
que otros. Los mejores son los que cumplen con todas estas
propiedades. En los casos más usuales, ya están definidos y
no será necesario que demostremos que cumplen con esta
lista de características. Todos los estimadores que expon-
dremos a continuación son los que han probado ser mejores.
Ahora, los estimadores pueden hacerse de dos formas. Cuan-
do preguntas a alguien su edad, a veces te responde ¿cuántos
años me calculas? Tu respuesta será un estimador de la edad
real desconocida, aunque probablemente no estés consciente
de ello ni cumpla con las propiedades anteriores. Podrías
responder con una edad: 25, por decir algo. Pero también
podrías contestar una frase un poco menos precisa como
:'entre 20 y 30". En el primer caso tu respuesta tiene una gran
precisión, pero su probabilidad de error es más alta que la del
segundo caso, ¿no lo crees? Pues ésas son las dos formas de
estimar. Ambas son útiles y tienen importancia estadística.
Veamos una por una.
Estaremos usando un estimador puntual cuando la aproxi-
mación al parámetro sea un valor único, un número, un pun-
to, que representa a la característica de la población. Por
ejemplo, si decimos que la media muestral de la edad de los
hombres deportados de Estados Unidos a México es de 36.24
años, estaremos usando un estimador puntual.
En cambio, estaremos manejando un estimador por Inter-
valo si respondemos con un conjunto de valores posibles,
dentro de los cuales suponemos que está el parámetro real y
desconocido. Por ejemplo, si decimos que la media muestral
de la edad de los h,o mbres deportados de Estados Unidos a
México está 'e ntre 33:92 y 38.56 años, estaremos usando un
estimador ' por intervalo, también llamado intervalo de con-
fianza.
A partir de aquí surgen dos preguntas interesantes:
1) ¿Cuál de los dos tipos de estimador es mejor? Esto depen-
derá de nuestro objetivo.
2) ¿Cómo se calcula cada uno de ellos? Eso lo explicaremos
ahora mismo, pero conviene notar que, para obtener el esti.
mador por intervalo requerimos del estimador puntual.
El estimador puntual es como una flecha que lanzamos a un
blanco o diana, que sería el parámetro desconocido. Si somos
buenos tiradores, es decir, si usamos un buen estimador, la
flecha quedará cerca de la diana, aunque difícilmente dará
sobre ella de manera exacta.
En cambio, el estimador por intervalo nos da: más ,oportuni-
dad de acertar, es una especie de red para cazar mariposas. Si
la red es más grande, es más probable que la mariposa (el
parámetro) quede dentro. Pero una red más grande es im-
práctica y también un intervalo demasiado amplio, aunque
nos brinde mayor certeza de contener al parámetro, perderá
información.
Por ejemplo, imagínate que un maestro dice a sus alumnos
que la calificación de todos, con una certeza total, estará en- •
tre cero y diez. Aunque esto sea verdadero, no es algo útil ni
nuevo para ' ellos. En cambio, si les dice que su calificación,
¡
con un 95% de confianza o un 0.95 de probabilidad, estará
entre 7 y 8, la afirmación realmente brinda alguna informa-
J
ción, aunque sea insegura. Ésa es la iclea en la estadística:
obtener resultados lo más precisos y confiables que se pueda,
con la conciencia de que una y otra cosa son opuestos: a ma-
yor confianza, menos precisión y viceversa. El arte de la esti- "
mación estadística consiste en balancear ambas cualidades, el
estimador debe ser lo más preciso y lo más confiable posible,
entendiendo que al aumentar una de las cualidades, disminu-
ye la otra.
Existe toda una metodología matemática para obtener los
mejores estimadores que cumplan con lás propiedades ya
mencionadas. Para ahorrarte un poco de esa tortura, que en
realidad es un placer para quienes gustan de estas cosas, te
diremos que algunas personas ya trabajaron en esto y pode-
mos ocupar las ecuaciones probadas y caladas, particular-
mente para muestras grandes. Si bien "grande" es un término
rel¡¡tivo, funciona bien, en la mayoría de los casos, para mues-
tras aleatorias de 30 o más elementos.
Para 10$ datos cuantitativos. los dos parámetros que casi
siempre requerimos conocer son la media y la desviación
estándar. En los datos cualitativos el parámetro más usual es
la proporción. Veamos cómo se puede estimar cada uno de
ellos. tanto de manera puntual como por intervalo. ¿te pare-
ce?
Comencemos por la media. Se ha demostrado que el mejor
estimador puntual de ' Ia media Ji es la media muestral o
promedio i. Esto se suele escribir como lo mostramos en la
ecuación 21.
,<,n X normal. según el teorema del llmite central. cuya media es
{1 = i = L.!=1 !
n
ECUACiÓN 21: ESTIMADOR PUNTUAL DE LA MEDIA.
Este valor tiene todas las propiedades que escribimos arriba.
es insesgado. consistente. eficiente. suficiente. repelente ....
no. repelente no. Pero sí es un estimador excelente. El gorrito
cantonés o acento circunflejo que escribimos sobre el valor
de la media Ji. significa que se trata de un estimador de la
media poblacional. Cada vez que veas este acento. sabrás que
se trata de un estimador y no del parámetro real desconoci-
do. Ese número es una aproximación. Como es un solo núme-
ro. se trata sin duda delestimador puntual.
Bueno. ¿y si queremos un estimador por intervalo? ¡Ah! Pues
aquí entran en juego la famosa distribución normal y el teo-
rema dellfmite central.
Hemos dicho que al tomar una muestra para indagar acerca
de una población. se comete un error, por lo tanto. no pode-
mos confiar totalmente. en un cien por ciento. en los resulta-
dos obtenidos de esta forma. Así. digamos que la certeza o
confianza total sería representada por el 100% o la p,r obabi-
Iidad igual a uno.
Si suponemos que la probabilidad de cometer un error en la
estimación es un valor denotado por a. relativamente peque-
ño. la confianza que tendremos en el estimador por intervalo
es del (1 - á)100%. Si a = 0.10. la confianza sería del 90%;
si a = 0.05. confiaríamos en un 95%. Mientras mayor sea la
probabilidad de error a. menor será la confianza y viceversa. ,
Parece lógico entonces desear que la confianza sea muy alta.
cercana a 100%. El problema es el de la red para atrapar ma-
riposas. Si queremos esa confianza. debemos hacer nuestra
red muy grande. lo cual será impráctico. Para, un 100% de
confianza el intervalo donde pueda encontrarse la media será
demasiado grande y poco informativo. Un valor razonable y.
por lo tanto. usual. es 95%.
La media muestral sigue una distribución de probabilidad
justamente Ji y cuya varianza es (J2 In. Esto último implica
que la desviación estándar sea (JI,fñ ,Con estos datos pode-
mos encontrar los puntos críticos. a la izquierda y derecha.
que delimitan una probabilidad igual a 0.95 o 95%.
Así, se puede verificar que la probabilidad de que el paráme-
tro desconocido Ji esté ubicado dentro del intervalo de con-
fianza'de la ecuación 21 es de 95%.
- _ ZO.975(J - + ZO.97S(J]
Ji E [ x ,fñ'x ,fñ
ECUACiÓN 22: ESTIMADOR POR INTERVALO DE LA MEDIA CON
DESVIACiÓN ESTÁNDAR CONOCIDA.
En esta ecuación ZO.975 es el punto crítico que ya habíamos
explicado. que divide al área de 95% de los dos extremos a
izquierda y derecha. cada uno de 2.5%. Como la función nor-
mal es simétrica. podemos usar -ZO.975 en lugar de ZO.02 S.
que sería el punto crítico della'do izquierdo. Puedes verificar
esto fácilmente con R con el código:
qn o rmIO . 97 5 )
qnorm I O. 025)
Ahora. dentro de la ecuación aparece la desviación estándar
real de la población (J. Por supuesto. este valor suele ser des-
conocido porque no contamos con la población. sino con la
muestra. Así pues. será necesario sustituirlo. a su vez. por su
estimador puntual. El estimador puntual de la desviación
estándar se expresa en la ecuación 23.
 L~=l (Xi - x)2 "=
C>

~
8=5=
n-1 .c
e
ECUACiÓN 23: ESTIMADOR PUNTUAL DE LA DESVIACIÓN
<i '"
C)

ESTÁNDAR. C>
C> , ,
Es posible comprobar que este estimador cumple con las -4 -2 o 2 4
propiedades deseables ya enunciadas; de hecho, es precisa-
mente para lograr que sea insesgado que se divide entre x
n - 1 y no entre n. FIGURA 36: DISTRIBUCiÓN T DE STUDENT CON 49 GRADOS DE
LIBERTAD.
Ahora podríamos reescribir la ecuación 22, sustituyendo el
valor de s en lugar de a que no conocemos. Sin embargo, al Si, quieres obtener esta gráfica y observar cómo varía según el
hacer esto se modifica la distribución de probabilidad. En numero de elementos que tenga la muestra, basta con utilizar
lugar de utilizar una distribución normal es necesario usar la siguiente instrucción en R:
una distribución llamada t de Student. Esta distribución en curve (dt (x, 49) , from= -4, to=4 r y l ab="pr ob")
realidad es muy parecida a la normal, de hecho, se deriva de
Ahora, ¿por qué este nombre curioso de t de Student? Se lla-
ella. Así como la normal cambia según su media y su desvia-
ma así porque fue creada por el inglés William Sealy Gosset
ción estándar, la t de Student varía según el número de ele-
(1876-193,7) quien trabajaba en la fábrica de cerveza Guin-
meiltos que contenga la muestra. En términos generales, el
ness. Sí, la misma de los famosos records Guinness. Cuando
número de elementos de la muestra menos uno (n - 1), se
Gosset quiso publicar sus avances, se encontró con que la
llaman grados de libertad de la distribución t de Srudent. La
fábrica lo tenía prohibido. Así que los publicó con el seud6-
figura ' 36 muestra la t de Student para una muestra de 50, es
nimo modesto de "estudiante". Desde entonces la distribución'
decir, para 49 grados de libertad. Como puedes ver, la distri-
se llama t de Student o simplemente, t.
bución t, al igual que la normal, es simétrica con respecto a su
centro, que es cero. Una de las diferencias entre la normal y la De manera que el estimador por intervalo de confianza para
distribución t es la proporción de casos que se encuentran a la media de una población, cuando no se conoce la desviación
una desviación estándar de su media. Entre menos grados de estándar, como ocurre la mayoría de las veces, se obtiene a
libertad tenemos, la distribución t suele tener una mayor través de la ecuación 24. La ecuación significa que hay un
proporción de casos a varias desviaciones de su media en 95% de confianza de que el parámetro desconocido J1. se en-
comparación a la normal. Sin embargo, como debes de imagi- cuentre en el intervalo indicado.
nar, entre más grados de libertad tengamos, la distribución t
se suele parecer cada vez a la normal. Esta es la razón por la J1. E x-
s
tn-l
o~ ,x + o~
sJ
t
n 1
-
[
que para muestras pequeñas se suele preferir otro tipo de
distribuciones a la normal: para ser más conservadores. ECUACiÓN 24: ESTIMADOR POR INTERVALO DE LA MEDIA CON
DESVIACiÓN ESTÁNDAR DESCONOCIDA

El nuevo valor t~9i5 es el punto crítico de la distribución t de

Student con n - 1 grados de libertad, para una pnibabilidad
de 0.975. Es decir, es el punto crítico que enmarca el 95% de
confianza. Tal vez ya te imaginas cómo se puede obtener con
R. Basta con escribir la siguiente instrucción, para 49 grados Para ver el resultado de cada una, como ya sabes, basta con
escribir:
de libertad:
lim. inf
q t (0 . 97 5, 49 )
[lJ 33 .92 00 9
Que debe darte como resultado 2.009575. Tratemos ahora de
l im o su p
hacer un ejemplo completo para darle sentido a la ecuación y
a todos los cálculos. [ lJ 38.55 991

Se aplicó una encuesta a 50 hombres mexicanos deportados Con lo anterior podemos decir ahora que tenemos un 95% de
de Estados Unidos que llegaron al aeropuerto de la Ciudad de confianzá en que la edad promedio real de todos los mexica-
México. Los 50 hombres fueron seleccionados al azar. Entre nos deportados de Estados Unidos a México está entre 33.92
otras cosas, se les preguntó su edad. Los datos recabados se y 38.56 años. Esto nos da más información que sólo ·el dato
muestran a continuación, ya colocados en R, con el nombre puntual.
de variable Edades: Como este procedimiento es muy frecuente, existe una fuo-
[l J 2S 31 45 43 1 636 2 726 24 , 31 ~3 35 51 35 2 8 27 38 32 36233 4 ción que hace todo de una sola vez, de manera muy sencilla,
[22] 38 3 8 45 3 5 42 4 6 3 0 39 3 4 4 8 3 8 45 31 3 5 50 32 3 1 38 4 i 5 1 3 1
para evitarte trabajo. Si tenemos las edades almacenadas en
( 43 1 28. 2 9 4 7 44 3'9 2 7 35 4 7
la variable Edades, escribimos:
Para obtener el .e stimador puntual de la media de estos 50 t . t e st (Edades )
datos, podemos sumar todos y dividirlos entre 50: l'
Lo cual generará los siguientes resultados:
sum(Ed ad es ) 15 0 11
[ l J 3 6. 24
dat a :
One Sample t - t es t
Edade s
¡i
O mucho más fácil, como ya aprendimos, podemos obtener
t ~ 31 . 3922 , df ~ 49 , p - va l ue < 2.2e-16
directamente la media, que es el estimador puntual:
altern a ti ve h y pot he si s : t r ue mean is no t equa l t a O
mea n (Edade s )
95 per c e nt c o nf idenc e i nterval:
[lJ 3 6 . 24
33.9 2 009 38 . 55 9 91
Ahora, para construir el estimador de la media por intervalo, samp l e es ti mates :
necesitamos la ecuación 24, con los valores de la desviación mean o f x
estándar estimada s y el punto crítico t. Hacemos los cálculos
36.24
correspondientes :
La frase "one sample" indica que sólo estamos analizando
s <- s d (Ed ade s )
una muestra. En la sección 15 veremos cómo comparar dos
t <- q t (0.9 7 5 , 49 ) muestras, lo cual es muy interesante en el ámbito de la inves-
Con lo cual podemos obtener el límite inferior y 'el límite su- tigación. Data son los datos, es decir, las edades. Los siguien-
perior del intervalo de confianza de 95%, con las siguientes tes dos renglones forman parte de ·las pruebas de hipótesis
dos instrucciones: que explicaremos en la sección 15 también. Pero mira, nos da
lim . inf <- mean{Eda de s) -( t *s) /sqrt( SO) directamente el intervalo de confianza de 95% y el estimador
puntual. ¿Ya los localizaste? Es realmente muy cómodo yefi-
l i rn . s u p '< - me a rt( Edades)+{t*s)/sqr t( SO)
ciente.
Muy bien. Lo anterior fue para datos de tipo cuantitativo o
numérico. Ahora veamos qué sucede con datos cualitativos. p E p-
A

ZO.9 7 5
JpCl-P)
n ,p +
A

ZO.97 S
JpCl-p)1
n
Por ejemplo, supongamos que estamos indagando qué pro~ [

porción de los mexicanos deportados a México de los Estados

Unidos desean regresar a este último país. Para ello, se tienen
también datos procedentes de la encuesta a 50 mexicanos al
azar que han llegado al Aeropuerto de la Ciudad de México.
Los datos en R son los siguientes, almacenados en la variable
llamada Regresan. La pregunta fue si regresarían o no a E~ t.a­
dos Unidos.
[1 ] ~ l no no sí n o si no n o n o sí s i n o no no si no si s i n o no s 1
[22 ) n o no .sí no n o n o si no n o no no n o s 1 no no si sí no si si no
[ 43] no nú si no no no sí no
Calcular la proporción de deportados que desean regresar es
muy sencillo, significa sólo contar los valores iguales a "s í" y
dividir este número entre el tamaño de muestra n; esto se
hace con la siguiente instrucción:
n <- le ngth(Regr e san)
p <- sum(Reg r e san== " si ") / n
p es frecuente y R puede hacerlo de forma automática. Para ello
Observa que pedimos a R que haga la suma de los valores
iguales a "sí" con un doble signo de igual. Ese doble signo
quiere decir que no estamos indicando que la variable es
igual a "sí", sino que estamos señalando que sume aquellos
valores donde sea iglJal a "sí". El resultado debe ser 0.36. El
36% de los deportados quiere regresar a Estados Unidos.
Como puedes ver, el estimador puntual de la proporción p
de una población, está dado entonús por la ecuación 25,
donde Xi = 1 si el evento posee la característica de interés y
Xi = O si no la tiene:
ECUACIÓN 26: ESTIMADOR POR INTERVALO DE CONFIANZA
PARA LA PROPORCIÓN.
Hagamos entonces el cálculo con R, con las siguientes ins-
trucciones:
l i m . inf <- p-qno r m(O . 975) * s q r t(p* {l - p) /n )
l i m. sup ( - p +q norm (O . 975)*sqrt (p*(1-p)/n)
lim.in f
l im o sup
Como resultado, éncontramos que la proporción real de mi-
grantes deportados que desean regresar a los Estados Unidos
está, con un 95 % de confianza, entre 0.2269532 y 0.4930468.
En forma aproximada, la proporción real estará entre 0.23 y
0.49.
Ahora, como seguramente ya sospechas, este procedimiento
se escribe la siguiente instrucción:
prop . t e st (sum (Reg r esa n =="s i" ) , 50)
Esta instrucción indica a R que se desea una prueba sobre la
proporción, el número de eventos con la característica
deseada y el total de eventos observados. El resultado es el
siguiente: ...
l - samp l e pro p o r ti o n s t es t wi t h con t i nui t y c o r -
rection
dat a: sum(Reg r e s an == " s í " ) out o f 50 , nu ll "p r oba -
b ility 0.5

~
A

p=
Lf=l X ¡ X-squa r ed 3 .38, df = 1 , p - val ue • 0. 065 99
n a lterna t i ve hyp o the ~ i s : t rue p is n o t equal to 0 .5
ECUACIÓN 2 5: ESTIMAD OR PUNTUAL DE LA PROPORCIÓN . 95 p ercent c o nf i dence in terval :
0 . 23 28 502 0.5085700
Ahora, ¿cómo se construye el estimador por intervalo de esta
proporción? Para ello consideramos que existe una probabi· sample e s t i ma t es :
Iidad de 95% de que la proporción real desconocida, p, quede p

comprendida en el intervalo de la ecuación 26. 0.36

 No es idéntico a nuestro resultado, pero es bastante parecido.
El estimador puntual sí es igual a 0.36, pero el intervalo del
95% de confianza está entre 0.23 y 0.51. Esto se debe a los
cálculos particulares de esta función, pero podemos usarla
con toda confianza.
También puedes, si lo deseas, construir el intervalo de con-
fianza para una proporción en Excel. Se utiliza la misma fun-
ción que para la media, sólo hay que modificar la desviación
estándar. Para la proporción, la desviación estándar es
'¡¡J(1- ¡J) .
Nada más como dato curioso, para destacar lo interesante
que puede ser estudiar las proporciones, existen investiga-
cIOnes que han encontrado cosas tan curiosas como el hecho
de que 'existe una mayor proporción de personas con trastor-
nos de bipolaridad y psicosis esquizofrénica entre quienes
son muy creativos, que entre quienes no lo son (Barrantes-
Vidal, 2004), ¿qué te parece? La estadística sugiere que existe
una relación real entre genio y locura.
16. Dos tipos de errores
El día llegará en que el pensamiento estadistico será tan
necesario para ejercer 1<'1 ciudadanía con eficiencia, como la
~apacidad de leer y escribir. H. G. WELLS.
Este novelista inglés, autor de La guerra de los mundos, La
máquina del tiempo y El hombre invisible. entre otras obras,
se caracterizó por ser un excelente escritor de ciencia ficción
y. por lo tanto. por tener una visión anticipada del futuro. Hoy
en día la estadística se ha convertido en un medio de comuni-
cación muy poderoso.
Algunos autores opinan que las encuestas y los sondeos son
la principal herramienta de construcción de la llamada
"opinión pública" (Almazán Llorente y Villarejo Ramírez,
2012). que tiene repercusiones políticas sustanciales. A partir
de las redes sociales. se ha potenciado la expresión de
opiniones en medios como Twitter y Facebook, que
presentan formas de discurso muy particulares. La lingüística
computacional cada vez avanza más y permite hacer minería
de textos en estas opiniones (O'Connor eta/.. 2010), de
manera estadística, para detectar tendencias.
Por otro lado, la estadística está presente en los medios de
comunicación. La utilizan desde los anuncios comerciales
para promover intereses particulares, hasta las revistas
científicas para exponer avances en el conocimiento. Además,
cada vez más sitios de internet, sobre todo gubernamentales,
ofrecen bases de datos que pueden ser exploradas y
explotadas para obtener información interesante a partir de
ellas.
Todo lo anterior hace pensar que Wells tenía razón: el sentido
estadístico, definido como la "unión de la cultura y el
razonamiento esadístico" (Batanero Bernabeu et 01.,2013) , es
una habilidad indispensable para la vida cotidiana del siglo
21.
Para contribuir a la formación de este sentido estadístico
podemos describir brevemente un aspecto apasionante que
forma parte de él: las pruebas de hipótesis. Formulemos
algunas hipótesis para comenzar este análisis. No las tomes
demasiado en serio, no estamos estableciendo posiciones, se
trata de jugar, un poco para explicar conceptos. Son
propuestas derivadas de algunas investigaciones.
1. Las mujeres sufren más por bajar de peso que los
hombres (Pingitore et al., 1997).
2. Los hombres tienen mayores habilidades matemáti-
cas que las mujeres (Zhu, 2007).
3. La presencia de mujeres disminuye conforme aumen-
ta la jerarquía de los cargos laborales en México
(Zabludovsky, 2007). '
4. Los estudiantes que utilizan videos interactivos en
ambientes en línea tienen mayor desempeño y nivel
de satisfacción que quienes no disponen de ellos
(Zhang et al., 2006).
5. Las personas con depresión tienen mayor tendencia a'
generar adicción a internet (Torres, 2011).

6. Los jóvenes urbanos ·actuales dedican más tiempo a
usar internet que a ver televisión (Fernandez-Planells
y Maz, 2012).
Todas estas afirmaciones -y muchas más que tú puedes pro-
poner- pueden resultar polémicas. Son afirmaciones contun-
dentes y seguramente, si alguien las expresa, le pediríamos
qUe las fundamente y las justifique. Se dice que son afirma-
ciones falsables, porque pueden ser desmentidas a través de
hechos. También son verificables, porque pueden ser apoya-
das o no por lo que ocurre en la realidad.
Además, son generalizaciones. Las afirmaciones no hablan de
casos particulares, sino que tratan de establecer reglas para
muchos casos. Se habla de "los hombres", "las mujeres", ·"Ios
jóvenes urbanos". En fin, abarcan mucho. Por ello, en princi-
pio, no podemos darlas por buenas así como así.
Por último, son afirmaciones interesantes y útiles. De ser
ciertas. contribuirían a la construcción de soluciones a pro-
blemas relevantes educativos, sociales o de salud.
Las afirmaciones que reúnen todas estas características se
llaman hipótesis. El Diccionario de la Real Academia indica
que una hipótesis es la "suposición de algo pOSible o imposi-
ble para sacar de ello una consecuencia". Además, agrega que
una rupótesis de trabajo es una "hipótesis que se establece
provisionalmente como base de una investigación que puede
confirmar o negar la validez de aquella". ¿Observas el cuidado
en los términos? Se dice con claridad que la hipótesis puede
ser falsa, incorrecta, imposible. Se pueden formular hipótesis
de trabajo, pero son provisionales, hasta que se confirme o
niegue su validez.
Ahora, cuando existen datos que sustenten la hipótesis, en
general no se acostumbra decir que la hipótesis es verdadera.
Decimos que es válida y puede convertirse en una teoría. Esta
teoría es una explicación útil para el fenómeno analizado. La
teoría puede continuar siendo válida hasta que llegue otra
hipótesis más clara y mejor que la sustituya. Esto ha pasado
normalmente en el conocimiento y es una gran ventaja, por-
1
que siempre se construyen avances sobre las ideas anterio-
res.
Este lenguaje cauteloso es indispensable en la investigación y
la construcción de conocimiento. Por supuesto, en una plática
de café podemo.s emitir nuestras opiniones y hasta podemos
creer firmemente en ellas. Pero la investigación rigurosa no
acepta esto. Sólo se puede considerar como válida y útil una
afirmación comprobada contra los hechos y con ciertos pro-
cedimientos rigurosos. Eso garantiza que el conocimiento
avance con cuidado y calidad.
¿Por qué tanta cautela? Si observas las hipótesis, todas ellas
se refieren a características de poblaciones completas .. Sin
embargo, para probarlas casi nunca podemos hacer medicio-
nes en toda la población, sino sólo en una muestra limitada
por nuestras posibilidades reales. Si queremos estudiar a
todos los hombres o todas las mujeres o todos los jóvenes
urbanos actuales, seguramente esto será imposible. Para es-
tudiar la hipótesis, tendremos que conformarnos con obser-
var la muestra y, a partir de ella, inferir o inducir que sus
características son también las de toda la población. Eso im-
plica una buena selección de la muestra, el cuidado en las
mediciones que realicemos y la rigurosidad en la forma de
decidir con respecto a la hipótesis.
Por eso cuando se trata de verificar estas hipótesis, Se dice
que hay elementos para apoyarlas o rechazarlas, pero no se
dice tajantemente que son verdaderas o falsas. Además, se
suelen analizar y matizar con mucho cuidado. Si se encuen-
tran diferencias entre la habilidad matemática de hombres y
mujeres, se buscará si las causas son realmente biológicas o
neuronales, o si tienen que ver con desarrollos culturales y
sociales. Solamente cuando se encuentra la causa exacta de la
afirmación podría probarse la afirmación de forma contun-
dente.
Si revisas los artículos de los cuales hemos extraído las hipó-
tesis, los autores hacen afirmaciones modestas y cautelosas.
Dicen cosas como "los datos recabados sugieren que existe
una relación entre el uso de internet y la socialización, así
como entre el ver televisión y la relajación". Por lo general,
 aún después de afirmar esto, se desmenuza, se analiza y se
matiza con explicaciones posibles.
De lo anterior, surgen dos preguntas interesantes:
• ¿Cómo se crean las hipótesis?
• ¿Cómo se verifican o prueban las hipótesis, ya sea pa-
ra desecharse o para convertirse en conocimiento vá-
lido?
En cuanto a la primera pregunta, la formulación de hipótesis
es una de las maravillas de la mente humana. Por lo genera!,
las hipótesis surgen de nuestro interés en algún fenómeno y
nuestra observación, intencional y sistemática, aunada al
conocimiento teórico que hayamos acumulado y tengamos
presente, Aunque se dan casos de chispazos creativos, por lo
general las buenas hipótesis proceden ·de estudiosos de un
tema que se han dedicado a él un buen tiempo, que han leído
y revisado otras teorías, explicaciones e hipótesis. Muchas
veces una hip6tesis consiste simplemente en modificar un
poco otra hipótesis ya existente, para hacerla más precisa y
. útil. .
La hipótesis suele COmbinar los hechos con las explicaciones
teóricas; las observaciones del fenómeno con las lecturas
abundantes y sistemáticas. También puede haber un compo-
nente afectivo: el investigador estudia aspectos que le resul-
tan interesantes, motivadores, apasionantes.
Ahora, .¿cómo se prueban las hipótesis? Podríamos hacer una
votación democrática para concluir por mayoría su veracidad
o falsedad; pero ... ¿tendría esto sentido? ¿Probaría algo esta
votación, más allá de la inclinación de la mayoría de las per-
sonas? También podríamos pedirle opinión a una o varias
personas expertas en el tema, lo cual resultaría valioso y cier-
tamente iluminador, pero tal vez si nos recetan un tratamiento
para alguna enfermedad, preferiríamos que, además de con-
tar con opiniones favorables, se hubiera probado su eficacia.
Las hipótesis s·e prueban recolectando datos reales y verifi-
cando si estos datos apoyan o contradicen la afirmación. Es-
tos datos proceden, por lo general, de una muestra. Para
seleccionar la muestra se siguen criterios como los que he-
mos explicado en la sección 14.
Una vez que se cuenta con la muestra, se hacen mediciones
sobre de ella. Para hacer las mediciones deben tenerse una
serie de cuidados que eviten que la información sea incorrec-
ta o sesgada. La propia medición puede modificar un fen6-
meno y hacer que los resultados obtenidos sean falsos. Por
ejemplo, si se va a medir el peso de un grupo de mujeres cada
semana, es posible que la conciencia de esta medición las
haga cuidarse y bajar un poco de peso, falseando el resultado.
Así que hay estrategias para evitar este tipo de problemas,
como veremos en la siguiente sección.
Las mediciones generalmente se resumen a través de los es-
timadores puntuales o de intervalo que revisamos en la sec-
ción anterior. Como hemos dicho, estos valores no son las
características de la población, sino de la muestra. Así .que
habrá que manejarlos con pinzas para no quemarnos. Será
muy importante tratarlos con cuidado y establecer reglas
para utilizarlos en la toma de decisiones.
Ahora, además, habrá que comparar las diferentes medicio-
nes muestrales para tratar de verificar las hipótesis. Por
ejemplo, para la hipótesis número uno habría que medir la
percepción de sufrimiento de hombres y mujeres al querer
bajar de peso y luego comparar ambas, para ver si la diferen-
cia es importante. O tal vez contabilizar la proporción de
hombres y mujeres que sufren al tratar de disminuir su peso.
Esto lo haremos midiendo una muestra de cada grupo, en
circunstancias lo más semejantes que se pueda, para que los
resultados sean confiables y comparables. Si estudiamos a las
mujeres cuando están próximas a casarse, probablemente su
estrés será mayúsculo. Si estudiamos a los hombres cuando
salen del gimnasio o acaban de jugar futbol, será una situa-
ción diferente. Todo esto son aspectos delicados.
Por último, debemos comparar las dos mediciones y deter-
minar si su diferencia indica que se puede apoyar la hipótesis
o no. En principio, es altamente probable que ambas medi-
ciones sean distintas, es casi imposible que nos queden idén-
ticas. La diferencia entre la medición de hombres y mujeres,
por ejemplo, podría deberse tan solo al hecho de que en am-
bos casos estamos tomando muestras aleatorias de la pobla-
ción. ¿Qué tan diferentes deben ser para que podamos con-
concluir que esta diferencia apoya la hipótesis y no es sólo
resultado del azar? El problema es encontrar el punto de cor-
te donde la diferencia es relevante, donde brinda información
valiosa para apoyar la hipótesis. Necesitamos un procedi-
miento y reglas de decisión apropiadas para hacer esto.
Por todas estas razones, la estadística es humilde y no pre-
tende · encontrar verdades absolutas, sino afirmaciones que
pueden considerarse ciertas con algún grado de confianza.
Hipótesis que sean probablemente ciertas y no dogmática-
mente ciertas. Así, la ciencia avanzará al modificar y mejorar
la~ hipótesis sucesivas, encontrando respuestas cada más
acertadas y precisas para los problemas.
Él propósito de una prueba de hipótesis puede ser en-
tonces: verificar si ocurrió un cambio, si existe una diferencia
significativa entre dos valores, si dos variables tienen una
relación de causa y efecto, etcétera. Este procedimiento co-
mienza con el planteamiento de una pareja de enunciados,
llamados hipótesis nula e hipótesis alternativa.
La hipótesis nula (denotada por Ho) es una versión de algo
como: "cualquier cambio o diferencia en los resultados se
debe exclusivamente a variaciones aleatorias, es decir, al
azar" o "la diferencia en los resultados en realidad no es sig-
nificativa". De ahí el nombre de nula. La contraparte es la hi"
pótesis alternativa (denotada por H¡ o H,) que contiene
el.cambio o diferencia que se anticipa como cierto. Es decir, la
hipótesis nula por lo general es nuestra hipótesis, lo que
deseamos verificar.
Por ejemplo, en la proposición número uno del inicio de esta
sección, la hipótesis nula podría ser: "el nivel de sufrimiento
de los hombres y las mujeres, al tratar de bajar de peso, es
semejante". La hipótesis alternativa, en cambio, se formularía
como: "El nivel de sufrimiento de las mujeres, al tratar de
bajar de peso, es mayor que el de los hombres". Por lo general
la.hipótesis alternativa corresponde a lo que suponemos ver-
dadero, según nuestras observaciones más el cotejo con la
teoría. Al hacer la prueba de hipótesis, si los datos indican
que la hipótesis nula podría creerse cierta de acuerdo con la
información recabada, rechazaremos la hipótesis alternativa.
Los procedimientos estadísticos están hechos de manera que
es relativamente difícil rechazar la hipótesis nula. Así, ten-
dremos cierta garantía de que, si vamos a hacerlo, será por-
que los datos realmente brindan evidencia en ese sentido.
Expliquemos un poco más esto.
De acuerdo con los datos muestra les recabados, podremos
aceptar o rechazar lahipótesis nula, lo cual a su vez indicará
si hay fundamento o no para la hipótesis alternativa. Sólo
podremos tomar una de dos decisiones: aceptar la hipótesis
nula, con lo cual se rechaza la hipótesis alternativa o, al con-
trario, rechazar la hipótesis nula, con lo cual hay fundamento
para apoyar la hipótesis alternativa. En realidad, .existe una
tercera opción que es no decidir, conseguir más. datos y re-
plantear el problema.
Ahora, considerando las dos primeras decisiones, podemos
estar en lo correcto o podemos estar equivocados, según la
decisión tomada:
• Si rechazamos la hipótesis nula cuando en realidad es
verdadera, cometeremos un error del tipo l. También
se le llama "falso positivo". Este término procede de la •
medicina. Si una persona se hace un estudio para ver si i
tiene una enfermedad, como cáncer o SIDA, el estudio
puede indicar erróneamente que sí la posee cuando no es
cierto. No es exactamente lo mismo, porque en estadística
no nos referimos a casos particulares, sino a reglas gene-
rales y conjuntos de datos. Pero la idea es que, si recha-
zamos la hipótesis nula, estaríamos dando por buena, de
manera errónea en este caso, la hipótesis alternativa que
nos interesa. Por eso este caso se llama "falso positivo".
• Si aceptamos la hipótesis nula cuando en realidad es fal-
sa, esto se conoce como un "falso negativo" o error del
tipo 11. Estaríamos descartando la hipótesis alternativa,
siendo ésta verdadera. Sería semejante a que la persona sí
tuviera la enfermedad y el estudio reportara que no la tiene.

Cada posible error tiene su costo.· Sería malo decirle a una
persona que tiene la enfermedad cuando no la tiene; pero
también lo contrario, indicarle que no la tiene cuando sí es el
caso. Pensemos en otro ejemplo.
Un juez debe condenar o dejar libre a un reo o presunto cul-
pable. No sabe a ciencia cierta si es culpable, pero tiene un
conjunto de evidencias para juzgar. Si lo condena y no era
culpable, estará cometiendo un falso positivo. Si lo deja libre
y era culpable, estará cometiendo un falso negativo. En este
ejemplo se suele pensar que es más grave condenar a un
inocente que dejar libre a un culpable. Por eso existe un prin-
cipio legal: "toda persona es inocente hasta que se demuestre
lo contrario".
Veamos un último ejemplo. Si la alarma sísmica funciona con
un 95% de confianza, quiere decir que el 95% de las veces
que suene, habrá .habido realmente un temblor de cierta rele-
vancia. El 5% de las veces, sonará por alguna otra causa que
.no fue un temblor, es decir, será un falso positivo o error del
tipo 1. El falso negativo ocurrirá cuando suceda un temblor y
la alarma no suene. Si se desactiva la alarma, se evitará por
completo el error del tipo 1, pero siempre se cometerá el
error del tipo 11. La alarma puede ser ligeramente imprecisa,
pero es mejor tener alarma que no tenerla.
Más o menos de la misma forma funciona la estadística. Como
ya.te imaginarás, las cosas se complican porque ambos erro-
res están relacionados entre sí. Un juez podría adoptar la
política de condenar a todos, para que no se le escape ningún
culpable, pero estaría maximizando su probabilidad de ,o n-
denar a gente inocente. Al contrario, podría dejar libres a
todos, pero estaría maximizando su probabilidad de no hacer
cumplir la ley.
La muestra funciona como las evidencias en un juicio. Cuando
se generan conclusiones sobre una población a partir de
muestras, los errores son inevitables y lo único que podemos
hacer es tratar de minimizar su probabilidad de ocurrencia
de manera equilibrada. Tendremos que tolerar necesaria-
mente una pequeña probabilidad de ocurrencia para ambos
•
errores. Esto hará que tomemos las decisiones con un nivel
de confianza que nunca será del 100%.
La probabilidad de cometer un error del tipo I se llama nivel
de significancia, y se denota por la letra griega a. Es la
probabilidad máxima que a(:eptaremos de cometer un error
del tipo 1. Este valor es seleccionado por quien hace la prueba
de hipótesis y generalmente se usa 0.05. Con ello, el nivel de
confianza de la prueba estadística será de (1 - a)100% =
95%. Con esto se reduce mucho la posibilidad de un falso
positivo.
Aunque es menos usual, también puede calcularse probabili-
dad de cometer un error de tipo 11, que se denota por p. Se
llama potencia de la prueba a la probabilidad de rechazar
-correctamente- una hipótesis nula que realmente es falsa.
La potencia es (1 - P)100%. La potencia se suele utilizar
cuando se desea dar una alta probabilidad a que se rechace la
hipótesis nula.
Por ejemplo, si la hipótesis nula es que una planta química no
contamina el agua circundante, mientras que la hipótesis
alternativa es que sí la contamina, es conveniente reducir la
probabilidad del falso negativo. En este caso deberíamos ha-
cer una prueba basada en la potencia. Sólo si los datos apo-
yan de manera fehaciente a la planta química, estaremos
tranquilos de que no contamina.
En la mayoría de los casos de investigación, las pruebas de
hipótesis suelen basarse en los niveles de significancia y de
confianza, no en la potencia. Inicialmente, damos por buena
la hipótesis nula que, de cierta forma, representa la creencia
actual sobre el fenómeno. Si esta hipótesis es la verdadera, la
aceptaremos con un 95% de confianza y sólo en un 5% de las
veces nos equivocaremos rechazándola . e inclinándonos a
favor de la alternativa.
Se busca minimizar la probabilidad del falso positivo para
hacer que sea difícil que la decisión apoye a la hipótesis al-
ternativa. De esta forma, sólo cuando los datos brinden una
evidencia fuerte hacia la hipótesis alternativa, el procedi-
miento estadístico señalará que debe rechazarse la hipóteSIs
nula. Así, puedes considerar que, en general, trabajarás con
una significancia del 5% y un nivel de confianza del 95%.
Una vez definida la hipótesis a probar, su nivel de significan-
cia y, en algunos casos, la potencia de la prueba, es necesario
calcular las mediciones que nos permitirán tomar la decisión
de aceptar o rechazar la hipótesis nula. En principio, las me-
diciones serán los estimadores muestrales que deseamos
comparar, como medias, varianzas o proporciones.
Como hemos dicho, los estimadores proceden de una mues-
tra aleatoria y, por lo tanto, también son variables aleatorias
que siguen una distribuCión de probabilidad. Aquí entra nue-
vamenteen juego el teorema del límite central que vimos en
la sección 10. Como casi siempre usamos promedios o sumas
de los datos muestra les, sabemos que estos valores tienden a
parecerse a una distribución normal, lo cual facilita mucho
los cálculos.
Para convertirlos en variables que se ajusten de manera per-
fecta a distribuciones conocidas y manejables, se les hacen
algunas operaciones matemáticas sencillas. Generalmente se
resta la media yse divide entre la desviación estándar.
Los valores resultantes de estas pequeñas modificaciones a
los estimadores, se llaman estadísticos de prueba_ · Nos
permiten medir y comparar aquello que nos interesa, de tal
manera que podamos obtener conclusiones razonables que
otros investigadores, en cualquier momento y parte del mun-
do, puedan replicar. Si seguimos estos procedimientos, po-
dremos tener confianza en nuestros resultados y decisiones.
Por ejemplo, queremos comparar la proporción de alumnos
aprobados en dos grupos de estadística, uno que complemen-
tó su aprendizaje con videos de Khan Academy y otro que no.
Los alumnos se asignaron al azar, ni ,;, 100 con la primera
metodología y n2 = 100 sin ella. En ellos, encontrámos
Xl = 79 aprobados en el primer grupo, Y X 2 = 62 en el se-
gundo. La proporción de aprobados que usaron videos sería
f3¡ = X¡/nl = 0.79, mientras que la proporción de aprobados
que no los usaron sería ti, = Xz/nz = 0.62.
Como deseamos comparar estos valores, una forma lógica de
hacer esto sería una resta: Pl - pz. Si laresta da un valor po-
sitivo, quiere decir que hay más aprobados en el primer gru-
po. Si la resta da un valor negativo, quiere decir que hay más
aprobados en el segundo.
La hipótesis nula en este caso sería que ambas proporciones
son iguales, para toda la población general de alumnos que
estudian estadística. Esto se escribe así:
Ho: Pl - pz = O
Observa que en la hipótesis no usamos los estimadores, sino
los parámetros desconocidos. Los estimadores son números
obtenidos a partir de la muestra. En nuestro ·ejemplo,
P1 - P2 = 0.79 - .62 = 0.17. Estarás de acuerdo en que no es
sensato probar si 0.17 es igual a cero. Pero sabemos que los
valores Pi y P2 no son los valores reales, sino solo estimacio-
nes de ellos. Lo que necesitamos probar es si esa diferencia
de 0.17 brinda elementos para pensar que la diferencia real
desconocida puede ser cero. Por eso las hipótesis siempre se
plantean con respecto a los parámetros, no a los estimadores.
Ahora, ¿cuál sería la hipótesis alternativa? Es la que estamos
tratando de probar, que hay una mayor proporción aproba-
dos entre los alumnos que utilizaron los videos. Eso se plan-
tea de la siguiente forma: i
H,: Pl - P2· > O
I
Pero, como tenemos una muestra aleatoria y no toda la po-
blación, no basta con que haya una diferencia entre los esti-
madores. La diferencia debe ser relativamente grande para
que apoye nuestra hipótesis. El número 0.034 parece peque-
ño, pero no podemos juzgar así, requerimos estándares de
comparación que no se basen en nuestra percepción u opi-
nión, sino en normas que pueda seguir cualquier investigador.
Cuando comparamos dos proporciones, el estadístico de
prueba está en la ecuación 27.
 z= Pl-P2 El punto crítico ya lo sabemos obtener con R, como vimos en
la sección 10:
I (1 _ ) ni + n2
vp P nln2 qnorm(O.95)

ECUACIÓN 27: ESTADíSTICO DE PRUEBA PARA COMPARAR
PROPORCIONES.
En esta ecuación el valor de p se sustituye por el de la ecua-
ción 28.
Xl +X2
p=
ni +n2
ECUACIÓN 28: ESTIMACIÓN J}EL VALORP DE LA ECUACIÓN 27.
Lo importante es que este valor Z sigue una distribución de
probabilidad normal estándar o normal con media cero y
varianza uno. Los agregados a la diferencia se hicieron para
lograr esto.
Ahora, el número que obtenemos en el estadístico de prueba
no tiene una interpretación inmediata. Esa interpretación
está en función, precisamente, de su distribución de probabi-
lidad. Recordemos la imagen de la distribución de probabili-
dad de Z en la cual hemos marcado con gris el área o
probábilidad de 95% de aceptar Ha, dado que es verdadera,
en la figura 37. El área a la derecha, con blanco, es la probabi-
lidad de rechazar Ha, dado que es verdadera, es decir; es la
probabilidad de cometer el error del tipo loa = 0.05.
'"o
.o "l
2
Q. o
q
o p
El número resultante es 1.644854. Antes de él estamos en la
región de aceptación. Después, en la de rechazo. Ahora de-
bemos verificar en cuál región está el valor del estadístico de
prueba, que también podemos calcular con R.
Al hacer la prueba anterior con los dos grupos de estudiantes,
hemos visto que existe una diferencia real entre las propor-
ciones estimadas. La pregunta es si esta diferencia realmente
se debe al cambio de metodología o sólo es resultado de la
aleatoriedad de la muestra. Para ello calculamos elestadísti-
ca de prueba Z, como se indica en la ecuación 29, en la cual
p = 0.705, como se puede verificar con la ecuación 28.
0.79 - 0.62
Z= ~:::;::::;:;;::::::;:::;:;;:711010OO=+~l0000
";0.705(1 - 0.705) (100)(100)
ECUACIÓN 29: CÁLCULUDEL ESTADíSTICO DE PRUEBA PARA
COMPARAR PROPORCIONES.
Si utilizamos nuestro software RStudio, escribiremos lo si-
guiente:
nI <- lOO
n2 <- lOO
Xl <- 79
X2 <- 62
p1 <- X1/n1
p2 <- X2/n2
<- (X1+X2) / (n1+n2)

-4 -2 O 2
Z
FIGURA 37: REGIÓN DE ACEPTACIÓN DE LA HIPÓTESIS NULA.
Lo único que necesitamos ahora es. comparar el valor del es-
tadístico de prueba con el punto crítico que separa las dos
áreas, la de aceptación (en gris) y la de rechazo (en blanco).
4 Z <- (p1-p2)/(sqrt(p*(1-p))*sqrt((n1+n2)/(n1*n2)))
Z
El resultado debe quedarte Z = 2.635897. Para interpretar-
lo, usamos la siguiente regla de decisión. Si el valor Z queda
dentro del intervalo de aceptación, es decir, si Z :5 ZO.9S, de-
bemos conservar como buena a la hipótesis nula, o no hay
 elementos para rechazarla. Si, en cambio Z > ZO,95' conviene
rechazar la hipótesis nula, con un 95% de confianza. En este
último caso, habría elementos para apoyar la hipótesis alter-
nativa. ¿Qué sucede en nuestro ejemplo?
Como 2.635897 es definitivamente mayor que 1.644854,
quiere decir que el estadístico de prueba quedó ubicado en la
región de rechazo, del lado derecho. De acuerdo con la regla
de decisión, debemos rechazar la hipótesis nula y considerar
que hay fundamentos para apoyar la hipóteSIs alternativa,
con un 95% de confianza.
Observa que, aunque hay estos elementos de apoyo, no con-
cluimos tajantemente que los alumnos aprenden mejor esta-
dística si usan videos de Khan Academy, No lo hacemos, en
primer lugar, porque sabemos que los datos con'tienen un
error muestral y no representan 'a toda la población. Pero
también, en segundo lugar. aunque encontramos una mayor
proporción de aprobados en el primer grupo, no es tan fácil
estar absolutamente seguros de que la causa única de ese
mayor número de aprobados es haber utilizado los videos.
, Como dijimos en la sección 11, establecer relaciones de causa
y efecto es algo peliagudo y debe hacerse con cuidado extre-
mo. Veremos más sobre estos temas en la siguiente sección.
17. Rechazar o no la hipótesis, he ahí el dilema
-Fíjese en esta lista- se rasca la frente el Tigre
Collazos-o Cuarenta y tres embarazadas en menos
de un año. Los capellanes del cura Beltrán casaron
a unas veinte, pero, claro, el mal exige medidas más
radicales que los matrimonios a la fuerza. Hasta
. ahora castigos y escarmientos no han cambiado el
panorama: soldado que Hega a la selva se vUelve
una pinga loca. MARIO VARGAS L.LOSA, Panta/eón y las
Visitadoras.
En esta divertida novela que también ha
sido llevada al cine, Vargas Llosa plantea y resuelve el pro-
blema de un pequeño pueblo tropical. Por supuesto, la anéc-
dota disfrutable es el pretexto para hacer una crítica al poder
y a la corrupción. Lo interesante para nosotros es que, a lo
largo de la intervención del capitán Pantaleón Pantoja, uno de
sus elementos para convencer a sus superiores de las bonda-
des de su estrategia, es apoyarse con estadísticas y datos.
Como hemos dicho, uno de los objetivos sustanciales de la
estadística es crear conocimiento para comprender proble-
mas y caminar hacia su solución. Por eso la estadística es un
gran apoyo para la investigación.
En la sección anterior comentamos cómo los procedimientos
estadísticos pueden ayudarte a tomar decisiones, a conocer a
una población entera a través de muestras manejables. Ade-
más, estos procedimientos tienen la gran ventaja de ser uni-
versales. Cuando un investigador se apega a ellos, otros
investigadores pueden replicar sus pasos para observar si
obtienen los mismos resultados o si hubo algún cambio que
deba ser explicado. Todo esto ayuda a que el conocimiento
colectivo avance.
Sin embargo, además de los procedimientos matemáticos
rigurosos que hacen que-las decisiones sean cautelosas y bien
fundamentadas, la estadística también tiene algo que decir
sobre la forma en que se hacen las observaciones y los expe-
rimentos.
El investigador puede recabar datos de estas dos formas: con
observaciones o con experimentos. Las observaciones signi-
fican tomar nota, de manera intencional, sistemática y cuida-
dosa, de cómo ocurre el fenómeno que nos interesa. El
investigador trata de cuidar todos los detalles de sus obser-
vaciones para poder obtener conclusiones de ellas. Sin em-
bargo, está consciente de que puede haber muchos elementos
que influyan en las mediciones y que, probablemente, no
puede controlar pero sí cuantificar o al menos, considerar.
,
La experimentación va más allá. Trata de aislar las variables 1
que' estamos analizando, para identificar más claramente su 1
comportamiento. En la observación puede haber muchas :¡
-,
causas mezcladas., Si podemos controlar todas las otras va-
riables y dejar que la única diferencia entre dos grupos sea la
variable que nos interesa, estaremos realizando un experi-
mento. El control de variables puede ser sencillo en estudios
de laboratorio, en física, biología o química. Es más dificil en
estudios que tienen que ver con las personas, pero no es im-
posible.
Platiquemos rápidamente un par de casos curiosos que plan-
tea John Scott Armstrong (1985):
Caso 1: En una escuela, un grupo de investigadores hizo la
siguiente prueba. Los investigadores dieron información falsa
a los maestros. Les dijeron que ciertos estudiantes tenían un
gran potencial y que se pronosticaba que tendrían un exce-
lente desempeño. El resto de los estudiantes, según los inves-
tigadores, tenía bajo potencial y tendría, por lo tanto
desempeño deficiente. En realidad los estudiantes habían
sido asignados al azar en cada grupo. Sin embargo, aquellos
de quienes se predijo mejor desempeño, tuvieron calificacio-
nes superiores al resto de sus compañeros.
Caso Z: En un experimento de la clase de psicología se pidió a
los alumnos observar el ' comportamiento de varias ratas. Se
hicieron 12 grupos experimentales y se asignaron 5 ratas a
cada grupo. A la mitad de los grupos se les dijo que sus ratas
éran brillantes y a la otra mitad, que sus ratas eran tontas. En
realidad, no había diferencia entre los dos grupos. Las ratas
tenían que salir de un laberinto. El número promedio de res-
puestas correctas dé las ratas ' 'superdotadas'' fue de 2.3,
mientras que en las otras ratas fue de 1.5.
¿Qué piensas de estas dos historias? Habría varios aspectos
interesantes de analizar, pero lo que nos incumbe en este
momento es que en ambos casos se pretende obtener datos
para. comprobar hipótesis. Existe toda una rama deIa estadís-
tica inferencia\, llamada diseño de experimentos, que
brinda reglas y procedimientos para crear grupos compara-
bies, aplicar tratamientos y, en genera\, evitar que la propia
investigación -y aún el investigador- propicien la obtención
de resultados erróneos.
Así por ejemplo, en los dos casos mencionados nos da la im-
presión de que el encargado de recabar datos puede modifi-
car -consciente o inconscientemente- los resultados.
¿Qué propone la estadística, a través del diseño de experi-
mentos, para evitar estos problemas? Varias cosas interesan-
\es. Pensemos en un ejemplo. Un investigador ha
desarrollado una píldora que parece eficaz y sana para regu-
lar el peso de las personas y .mantener un índice de masa
corporal apropiado. Suena bien, ¿no es verdad? Pero no pue-
de patentarla ni comercializarla hasta asegurarse de su efica-
cia. ¿Qué debe hacer?
Parece lógico que debe probar la píldora en algún grupo de
personas. ¿Cuántas? Para ello podemos acudir a las estrate-
gias de muestreo revisadas en la sección 14. ¿Cómo seleccio-
nar a las personas? No puede hacer una selección aleatoria,
porque es necesario que las personas estén dispuestas a par-
ticipar en el estudio. Así que sólo contará con un grupo de
personas dispuestas a probar la píldora, una vez que se ha
garantizado que no tiene efectos perjudiciales. Tal vez será un
conjunto de personas que están particularmente interesadas
en perder peso, lo cuallesda también características espe-
ciales.
Si administra la píldora' a todo el grupo, ¿con qué comparará
los resultados? Lo conveniente es dividir al grupo en dos sub-
conjuntos. A uno de ellos darle la píldora en la fórma que
indique el tratamiento y al otro, no. Esto nos lleva a concluir
que debe haber dos grupos, un grupo experimental, que
recibirá el tratamiento, y un grupo control, que no lo recibirá.
Hacer estos dos grupos tiene una ventaja adicional. Aunque
los participantes en el estudio no hayan s'ido seleccionados de
manera aleatoria, el investigador sí puede hacer una asigna-
ción aleatoria de los sujetos a cada uno de los grupos. De
esta forma, los dos grupos tendrán una composición seme-
jante, que no tendría por qué afectar los resultados o que, en
todo caso,los afectaría más o menos de la misma manera.
Muy bien, pero hay otro problema. Las personas saben que
van a participar en un experimento. Saben que van a ser me-
didas, pesadas y que el tratamiento tiene como objetivo con-
trolar el peso. Por cuestiones de ética, no se puede ocultar el
propósito de la investigación ni sus posibles consecuencias.
De hecho, cada participante debe firmar una hoja de consen-
timiento informado. Es muy posible que esto tenga un efecto
psicológico que afecte los resultados. Tal vez las personas
cuidarán su alimentación o harán más ejercicio, con lo cual
parecerá haber un efecto del tratamiento, que no será reali-
dad. ¿Cómo controlar esta situación?
Lo que se hace es dar a ambos grupos un tratamiento idénti-
co en apariencia. Si la píldora debe tomarse una vez al día, se
crea otra píldora similar pero sin efecto alguno, llamada pla-
cebo. De esta forma, al recibir ambos grupos, control yexpe-
rimental, el mismo tratamiento, ambos tenderán a actuar
igual. Así, si eventualmente hay una diferencia entre ambos,
podrá pensarse que sí se debe al tratamiento.
Ahorá, en este procedimiento debemos cuidar que las perso-
nas no sepan si están recibiendo el tratamiento real o el pla-
cebo. La forma de consentimiento informado debe incluir
este hecho, que pueden ser parte del grupo controlo del gru-
po tratamiento o grupo experimental y que, mientras dure el
experimento, no sabrán a cuál pertenecen. Esto se llama un
experimento ciego, porque los participantes no saben en
qué grupo están.
Pero, claro, el investigador también tiene su corazoncito. Le
daría mucho gusto que la píldora que ha desarrollado sea
eficaz. Puede ser que inclusive le presente un futuro econó-
mico promisorio y de gran prestigio. Cuando el investigador
vea los datos de cada grupo, podría inclinarse a forzar un
poco las cosas para favorecer el resultado que más le convie-
ne. Pero, si los participantes pueden ser ciegos, el investiga-
dor también. Se trata de un experimento doble ciego
cuando ni los sujetos ni el investigador saben qué grupo es
cada cuál, hasta que concluye el procedimiento. El investiga-
dor compara los resultados de un grupo A contra un grupo B,
sin saber cuál fue control y cuál experimental. Por supuesto,
para ello requerirá la ayuda de alguien que haga las asigna-
ciones y maneje los datos. Interesante, ¿no te parece?
Cuando la investigación cumple con todos y cada uno de los
requisitos que hemos descrito, se llama un diseño experi-
mental. Los requisitos son ciertamente complicados y pueden
ser costosos. Por eso en algunas ocasiones se recurre a dise-
ños cuasi experimentales, que son variantes que no cumplen
con alguno de los elementos señalados.
Los diseños experimentales son los más rigurosos y en los
que se puede tener más confianza, pero existen muchas al-
ternativas distintas que pueden usarse según el problema a
estudiar y las posibilidades reales del investigador.
Vamos a terminar con el ejemplo anterior. Supongamos que
se realizaron todos los pasos a conciencia. Tenemos un grupo
A y un grupo B. A cada persona se le registró el peso al inicio
del experimento y el peso al final. Por lo tanto, se cuenta con
la diferencia entre ambos pesos para cada persona, dada por
el peso inicial menos el peso final. Si las diferencias son posi-
tivas, significa que la persona perdió peso. Se contó con 50
personas en cada grupo, es decir nA = 50 YnB = 50.
Consideramos que los dos grupos, A y B, son independientes.
Es decir, los resultados de uno de los grupos no tendrían por
qué afectar al otro. Así, tenemos dos muestras independientes.
A continuación te mostramos los datos de cada grupo, ya
capturados en R:
> Grui.Jo.A
[1J 0.11967656 0.23537047 1.10293534 2.36861546 2.46314911
[6J -0.84399566 -0.37116228 1.35753234 -0.88180364 0.43482870
[11] 0.17001775 -1.83632044 -1.30962457 0.62273184 1.58722164
[161 -2.05955572 -1.904é2566 1.184225l6 1.43055262 O.83é07795
[21] -0.74806703 -0.45661128 1.05389584 0.40096047 0.09989615
[26] -0.18041647 -0.89967388 -0.21127021 -0.30696527 -1.13274204
[31] -0.38329443 -1.12027454 0.73167712 -0.21544355 -0.15151972
[36] 2.49656545 -0.88765714 0.47929343 0.16900519 -0.50108544
[41] 0.96845141 0.29539967 0.88745792 -2.02101630 -0.39451963
[46] -1.05111516 -0.77984970 -O.3499243~ -0.50171229 0.75885050
> Grupo.B
[1 ) 1.822862493 1. 051161493 -0.231078892 -0.912462915
[5) 1.595251127 1.450876179 2.131213545 1.411912575
[9) 1.103953156 0.382023171 -2.154815901 1.117820311
[13) 0.108140886 -0.586399718 -0.001323518 -1.566502908
[17) 1.154494988 0.458050617 -1.150180807 1.468843814
[21) -2.181002830, 0.187088082 0.934205548 0.026210095
[25) 0.556501871 0.075946391 -0.105633314 0.189486748
[29) -0.755511585 0.222160740 -2.006164906 -2.367499097
[33) -1. 041562415 0.544035247 1.543024815 1.982950783
[37J -0.196474995 -0.403075329 -0.372767409 0.420613069
[41) 0.295670322 0.194476950 1.190110761 0.588356327
[45) 0.639061905 1.837313693 1.142471240 1.012107059
[49) -0.394775906 1.001523098
Realmente es difícil concluir algo a simple vista. En principio,
podemos obtener los estimadores de la media y la desviación
estándar de cada grupo. Ya sabes cómo hacerlo, ¿no es ver-
dad? Veamos las medias:
Med i a .A <~ mea n (Gru po~ A)
Me dia .B < - me an( Grupo . B)
Los valores son ílA = 0.0270B2B7 Y ílB = 0.2962555, respec-
tivamente. ¡Ah! Sospechamos ahora que el grupo experimen-
tal es el grupo B, porque las diferencias promedio son
positivas y mayores que las del grupo A. Pero, como bien sa-
bemos, esto no es suficiente para concluir.
Las desviaci,ones estándar son:
DE .A < - sd (Grup o .A)
DE . B <- sd(Gru p o .B)
DE. A
DE. B
Con ' los valores correspondientes de aA = 1.115515 Y
aB == 1.1371B3, que nos hablan de la dispersión que existió
en los datos de cada grupo.
Planteamos ahora la hipótesis nula. Esta es la hipótesis de
que la píldora no tiene efecto y, por 10 tanto, las medias del
cambio de peso en ambos grupo son iguales. Las variaciones
en el peso de cada persona se deben solamente al azar. Se
escribe:
Ha: /lB - /lA =O
Ahora debemos expresar la hipótesis alternativa. La que le
interesa y le gusta al investigador. La píldora sí tiene efecto y
el investigador se hará rico y famoso. Hay una diferencia real
entre la media del cambio de peso del grupo B y del grupo A.
Lo escribimos como:
Ha: /lB - /lA > O
Como hemos dicho en la sección anterior, las hipótesis no se
hacen sobre los estimadores sino sobre los parámetros des-
conocidos.
¿Qué necesitamos para proseguir? Un estadístico de prueba
que incluya la diferencia que hemos planteado en las hipóte-
sis, pero que se ajuste a una distribución de probabilidad
conocida y manejable. En este caso, el estadístico de prueba
se llama t y sigue una distribución de probabilidad t de Stu-
dent, de la que ya hemos platicado en la sección 15. Lo tene-
mos escrito en la ecuación:
t =
ECUACiÓN 30: ESTADíSTICO DE PRUEBA T PARA COMPARAR LAS
MEDIAS DE DOS MUESTRAS INDEPENDIENTES CON VARIANZAS
DESCONOCIDAS .
El estadístico se puede obtener con RStudio usando la si-
guiente instrucción:
t <- (Med i a. B- Me dia . A) j
s qrt (DE. B' 2 /1e n g t h (Grupo .B)+DE .A'2 / 1 en gth( Gr u po. A»
Con ello se obtiene el valor t = 1.194B35. Ahora, el estadísti-
co de prueba se distribuye como una t de Student con k gra-
dos de libertad, donde k es el menor valor entre nA - 1 Y
nB -1.
Entonces, el valor del estadístico de prueba t se compara con
el punto crítico de la distribución de probabilidad t de ·Stu-
dent para un nivel de confianza de 95 %, con 49 grados de
libertad. El punto crítico, como vimos en.]a sección 15, es:
q t(O.95 , 49)
Lo cual arroja un valor de 1.676551. Ahora debemos compa-
rar el estadístico de prueba t con el punto crítico. Si
t:5 1.676551, estaremos dentro del área de aceptación de Ha.
Si t > 1.676551, la diferencia de pesos de las personas fue
positiva e importante, y hay fundamentos para rechazar Ha y,
por lo tanto, se apoya Ha. En nuestro caso, definitivamente
estamos dentro del área de aceptación de Ha. ¿Qué significa
esto?
Quiere decir que no hay apoyo suficiente para pensar que la
píldora del investigador es efectiva. iMalas noticias! Parece
que los resultados de ·ambos grupos fueron más o menos
iguales, como lo indica la hipótesis nula.
La buena noticia es que podemos hacer todo este procedi-
miento mucho más rápido con una función de R que se escri-
be de la siguiente forma. Sólo debes indicar el nombre de la
variable donde están los datos de cada grupo y el tipo de hi-
pótesis alternativa que vas a usar:
t . test(Grupo.B,Grupo.A ,alternative="greater " )
El resultado de esta instrucción es:
Welch Two S?mple t-te,st
da ta : Grup o .B and Grupo.A
Todo esto también se puede realizar con Excel, sin mayor
problema. Coloca en una columna los datos del grupo A y en
otra los del grupo B. Verifica que en la pestaña Datos aparez-
ca la opción Análisis de datos. Si no aparece, debes ir a Archi-
vo > Opciones> Complementos y verificar que esté marcada
la opción Herramientas para el análisis.
Hecho esto, podrás elegir de Análisis de datos, la Prueba t
para dos muestras suponiendo varianzas desiguales. Se des-
plegará una ventana de diálogo donde debes indicar en qué
columnas están tus variables. Con ello obteridrás el cuadro 5
de resultados. Puedes verificar que el valor del estadístico de
prueba t es exactamente el mismo que calculamos con R.
CUADRO 5: PRUEBA T PARA COMPARAR DOS MEDIAS CON
VARIANZAS DESCONOC IDAS Y DISTINTAS.

t = 1.1948, df = 97.964, p - value = 0 . 11 75 Grupo B Grupo A

alter na t i ve hypo t h es i s : t ru e d i f fe re nce i n mea n s i s Media 0.29625551 0.02708287
greater tha n O 1.29318427 1.24437318
Varianza
95 percent co n fide nce i nterva l : Observaciones 50 50
- 0 . 10 491 79 I nf Diferencia hipotética de las medias O
sampl e est imate s: Grados d e libertad 49
mean of x mean · of y Estadístico t 1.19483507
0. 2 9625551 0 . 0270828 7 P(T<=t) una cola 0.11751757
Valor crítico de t (una cola) 1.66055122
En el texto anterior puedes identificar el valor del estadístico
de prueba t, para compararlo con el punto crítico correspon- P(T<=t) dos colas 0.23503513
diente. Es el mismo valor que habíamos obtenido con la fór- Valor crftico de t (dos colas) 1.98446745
mula. Una forma cómoda de hacer esta prueba es observar el
p-value. Si p-value es mayor que .05, quiere decir que el esta- Así que puedes elegir a tu gusto, la herramienta que más te
dístico está en la región de aceptación, como en este caso, ya acomode y te convenga. Los resultados y la interpretación
que el p-value es 0.1175. Cuando el p-value es menor que son los mismos.
0.05, quiere decir que el estadístico de prueba t pertenece a
la región de rechazo. En conclusión, si aplicáramos más a menudo este tipo de ra-
zonamientos estadísticos cuidadosos para dar por buenas las
En la parte inferior del resultado anterior puedes ver tam- afirmaciones, podríamos tener un mundo mejor, con menos
bién la media de cada grupo, en el mismo orden en que colo- prejuicios y discriminación, más políticas acertadas y avan-
caste lbs datos. Son los mismos valores que ya habíamos ces, tanto científicos y tecnológicos, como sociales. De eso se
obtenido. trata la estadística, finalmente, y por eso pensamos que valía
la pena traer a Alicia a dar una vuelta por este divertido país.
18. Ejercicio: Hombres y mujeres que han recibido
el Óscar
Propósitos:
• Emplear pruebas de inferencia estadística de ma-
nera pertinente al tipo de datos.
• Identificar los procedimientos básicos para el uso
de pruebas de hipótesis en R y RStudio.
¿Habrá alguna diferencia entre las edades de los actores y las
actrices ganadoras del Óscar? Este ejercicio se centrará en
tratar de responder a la pregunta anterior. Para ello tendre-
mos que cargar la base de datos de los actores y actrices ga-
nadores del Óscar por rol protagónico. Ambas están ubicadas
en www.inteligencianet.org.
Vamos a cargar la base de datos de los hombres:
homb r es <- read. csv(file .choose(»
Ahora carguemos la base de datos de las mujeres:
mu je r es < - read . csv(file . choose())
Una vez que hemos cargado las bases, es importante proce-
der como en los ejercicios anteriores: vamos a conocer la
estructura de las dos bases de datos.
Conozcamos las dimensiones de la base de datos (el número
de filas, registros o casos y el número de columnas o varia-
bles).
dim(hombres)
dirn(mu j eres)
Solicitemos a R que nos indique la estructura de las variables
de ambas bases.
str (hombres)
str (mu j eres)
Como puedes observar, ambas bases tienen las mismas va-
riables y la misma cantidad de casos. ¿Suena lógico, no? Al-
gunas de las variables que contienen son: el nombre de los
galardonados, la película en la que participaron, la fecha de
nacimiento, la fecha en que recibieron el premio y la edad en
la que recibieron el premio.
Pregunta 1: ¿Qué significa que las variables "FechaNac", "Fe-
chaPremio" y "FechaDeceso" sean "factores"? ¿Puedo hacer
operaciones aritméticas (como 'suma o resta) con este tipo de
variables?
Respuesta: Para R, éste es un tipo de variable de "cadena" o
de conjunto de letras, que el software toma de manera literal.
En este sentido, cada fecha es una categoría sin atributos
numéricos. Si quisiéramos utilizar las fechas como tales, R
tiene una función conocida como as. date') que te permite
convertir este tipo de valores "cadena" a valores "de fechas".
Pregunta 2: ¿Cuál es la media y desviación estándar de la
edad de los ganadores del Óscar (sin importar el sexo)? Nos
referimos a la edad en que obtuvieron el Óscar.
Respuesta: La edad promedio del ganador al Óscar es de
40.08 y su desviación es de 11.05. Para obtener estos valores
sólo debemos escribir en RStudio el siguiente código, que
unirá en un solo vector las edades de hombres y mujeres:
edad_ tOdOS ,- e (hombres$Edad,mujeres SEdad)
media <- mean (edad_todosl
desve st <- sd( edad_t odos)
Para entender el código anterior vale la pena recordar que
debemos concatenar o unir dos vectores o listas de datos con
la variable "Edad". Si quisiéramos conocer con mayor profun-
didad la distribución de las edades, podríamos solicitar un
histograma:
his t (edad_todos)
Pregunta 3: ¿Qué edad deberla tener una persona para decir
que es muy joven o muy grande para ganar un Óscar?
Respuesta: La pregunta anterior parece sugerir que desea-
mos buscar valores atípicamente bajos o altos. Quizá podría-
mos pensar en calcular un intervalo que permitiera visualizar
edades "fuera de lo normal". Para lograr lo anterior bastaría
con sumar y restar a la media 1.96 desviaciones estándar si
consideramos a=0.05: ¿Por qué 1.96 desviaciones? ¡Simple! Si
fijamos como una edad atípicamente alta o baja a aquella con
una probabilidad de ocurrencia menor a a=0.05 y distribui-
mos esta probabilidad del lado derecho e izquierdo de la es-
cala (aj2), entonces, todos los casos que se encuentren a más
o menos de 1.96 desviaciones representarán el 95% de los
datos.
Prueba el comando pnorm (1 . 96) para comprobar lo anterior,
te dará el área bajo la curva normal, ubicada a la izquierda
del valor 1.96. Los casos por arriba o por abajo estarán fuera
del 95% de la normalidad y serán, por lo tanto, atípicos.
Así, una persona con una edad atípicamente baja para recibir
el Óscar tendría una edad de 18.41 años o menos, mientras
que una persona con una edad atípicamente alta tendría una
edad de 61.75 años o más. Entonces será raro -aunque no
imposible- que personas en estos dos rangos (menor de 18 o
mayor de 61) obtengan un Óscar.
Ahora sÍ. A responder nuestra pregunta: ¿Habrá alguna dife-
rencia entre las edades de los actores y las actrices ganadoras
del Óscar? . t.test(hombres$Edad,mujeres$Edad,
Exploremos gráficamente las diferencias.
boxplot{hombres$Edad,mujeres$Edad,main="Edades de los
ganadores de un Óscar por sexo",
names=c ("Hombres", "Mujeres ") )
Como seguro podrás observar, parece evidente que la edad
promedio de los ganadores hombres al Óscar es mayor que la
de las mujeres. La dispersión se ve similar para ambos, aun-
que en el caso de las mujeres hay varios casos de edades atí-
picamente altas. Ahora veamos más de cerca las diferencias
de edad.
Calculemos la media de edad de los hombres y las mujeres.
mean (hombres$Edadl
mean (mujeres$Edad)
¡Interesante! La media de los hombres es casi ocho años ma-
yor a la de las mujeres. Sin duda parece que existen diferen-
cias entre la edad de los ganadores del Óscar según el sexo.
Pregunta 4: ¿Qué prueba de hipótesis deberíamos de usar
para verificar si la diferencia en las medias es estadísticamen-
te significativa?
Respuesta: seguro pensaste en usar una t de Student para
datos independientes, ¿Cierto? La verdad es que esta es una
pregunta con trampa. En realidad los casos de la base de da-
tos no son una muestra ... ¡Son la población de todos quienes
han recibido Óscar! Por lo tanto no hay ninguna razón para
hacer una prueba de hipótesis en tanto que no tenemos nin-
guna población a la cuál inferir la diferencia de las medias.
Sin embargo, podemos considerar que nuestros datos son
una muestra de todos los actores y actrices que, en un lapso
mayor de tiempo, pudieran recibir el premio. Es deci'r, los
datos son una muestra de lo que podrá ocurrir en general en
entregas sucesivas de los Óscares. Entonces tiene sentido
aplicar la prueba t d Student. Para ello, usamos el siguiente
código:
alternative="greater")
Estamos pidiendo una prueba t de Student para comparar la
edad de los hombres y mujeres, suponiendo que la primera
es mayor que la segunda.
Esta prueba arroja un estadístico de 5.0402 y un valor p de
6.219 x 10- 7• Es decir, el estadístico de prueba es mayor que el
valor en tablas, que podemos calcular con R como:
qt (0.95,86)
Que arroja un valor de 1.66. Como este valor es mayor que el
valor absoluto del estadístico de prueba, rechazamos la hipó-
tesis nula de que ambas edades fueran iguales, en favor de
aceptar la hipótesis alternativa, que indica que la edad pro-
medio de los hombres es mayor que la de las mujeres. Intere-
sante, ¿no?
También podemos generar muestras a partir de los datos
anteriores. Por ejemplo; generamos una muestra de 20 casos
para la base de hombres y mujeres:
muestrahombres <- as . vector (sample(hombres$Edad, ·
20,re place=FALSE) )
mu estra muj eres<~as.vector(sample(mujeres $ E dad,
20 ,replac e =FALSE))
Calculamos la media de ambas muestras.
mea n (mue s trahombres)
mean (mue st ramu j eres )
Lo más seguro que ocurrirá es que la media de la edad de los
hombres es mayor a la de las mujeres. iAhora sí! Con estos
datos podemos hacer una prueba tpara ver si el hecho de que
la media de la edad de los hombres sea mayor a la media de
la edad de las mujeres se puede inferir a la población (aun-
que de antemano sabemos que esto es cierto).
# Prueba t para datos independientes:
t.t est (rnue strahombres,mue stramujeres)
19. Tres sitios web interesantes
• Calculadora automática de tamaños de muestra. Le
indicas el tamaño de tu población, el margen de error
y el nivel de confianza, con lo cual te genera el tamaño
de muestra adecuado. También te da los márgenes de
error si tú le dices el tamaño de la muestra. Visítalo
en:
http://www.raosoft.com/samplesize.htrnl
• La estadística inferencial explicada dentro de los mé-
todos de investigación, particularmente para las cien-
cias sociales. Todo el sitio es bueno e interesante.
Revísalo en:
http://www.socialresearchmethods.net/kb/statinf.php
• Un bonito y completo capítulo dedicado a explicar de
manera didáctica y clara las pruebas de hipótesis.
Puedes descargarlo y guardarlo a partir de:
http://www.sagepub.com/upm-
dataj40007 _Chapter8.pdf

¿Encontraste una probabilidad asociada al valor de la prueba

menor a 0.05? Seguramente sí. Lo interesante sería que repi-
tieras este ejercicio unas 100 veces. ¿Será posible observar
que las diferencias no sean significativas o que inclusive, la
media de las mujeres sea mayor que la de los hombres? Segu-
ramente en por lo menos uno de los 100 intentos encontrarás
alguno de estos resultados. Aquí es justo donde entra la idea
de los errores tipo I y 11 que se plantearon en el libro.
ALMAZÁN LLORENTE, A. Y VILLARE)O RAMíREZ, C. (2012). Análisis
del discurso de la prensa sobre las encuestas
electorales en las elecciones generales de 1996.
Empiria. Revista de Metodología de Ciencias
Sociales(l): 97-120.
ARMSTRONG, ¡. S. (1985). Long Range Forecasting: From crystal
ball to computer. New York: Wiley lnterscience.
BARRANTES-VIDAL, N. (2004). Creativity & madness revisited
from current psychological perspectives. ¡ournal of
Consciousness Studies, 11(3-4): 58-78.
BATANERO BERNABEU, M. D. c., DiAZ, c., CONTRERAS GARCfA, J. M. Y
ROA GUZMÁN, R. (2013). El sentido estadístico y su
desarrollo . Números(83): 7-18.
BATANERO, C. (2001). Didáctica de la Estadística. Granada:
Universidad de Granada.
BATANERO, C. (2004). Los retos de la cultura estadística.
Yupana, 1(1): 27-37.
BOLSTAD, W. M. (2013). Introduction to Bayesian Statistics: :
Wiley.
FEINGOLD, A. (1988). Cognitive gender differences are
disappearing. American Psychologist, 43(2): 95.
FERNANDEZ-PLANELLS,A. y MAZ, M. F. (2012). La televisión e
Internet hoy: diferentes roles. Usosy consumos en el
tiempo libre de jóvenes de Barcelona y Lima. Revista
lCON014. Revista Científica de Comunicación y
Tecnologías Emergentes, 10(3): 176-201.
FORO CONSULTIVO CIENTípICO y TECNOLÓGICO. (2012). Madres
Cientfjicas 2012. Fecha de consulta: 05/07 2014, en:
<http://www.foroconsultivo.org.mx/documentos/ac
ertadistic%tras/DiadelasMadres_2012.pdf>
GARPIELD, J. Y BEN-ZVI, D. (2007). How students learn statistics
revisited: A current review of research on teaching and
learning statistics. lnternational Statistical Review,
75(3): 372-396.
Hsu, M. K., WANG, $. W. y CHIU, K. K. (2009). Computer attitude.
statistics anxiety and self-efficacy on statistical'
software adoption behavior: An empirical study of
 online MBA learners. Computers in Human Behavior
25(2) : 412-420. . '
INEGI. (2014). Esperanza de vida. Fecha de consulta: 05/05
2014, en:
<http://cuentame.inegi.gob.mx/impresion/poblacion
/esperanza.asp>
LEHMANN, E. L. (2011) . Fisher, Neyman, and the Creation of
Classical Statistics: Springer.
MAPC!TE. (2012). Going with the wind: Data Visualization by
Hint.fm. Fecha de consulta: 05/05 2014, en:
<http://www.mapcite.com/POSTS/2012/AUGUST/G
OING-WITH-THE-WIND-DATA-VISUALlZATION-BY-
HINTFM.ASPX>
MELETIOU-MAVROTHÉRIS, M. (2003). Technological tools in the
introductory statistics classroom: effects on student
understanding ofinferential statistics.lnternational
jdurnal of Computers for Mathematical Learning,
8(3): 265-297.
O'CONNOR, B., BALASUBRAMANYAN, R., ROUTLEDGE, B. R. Y SMITH,
N. A (2010). From tweets ta poI/s: Linking text
sentiment to public opinion time series. ¡CWSM, 11:
122-129.
OMS. (2014). Obesidad y sobrepeso. Fecha de consulta: 17/07
2014, en:
<ht'tp://www.who.int/mediacentre/factsheets/fs311
/es/>
ONWUEGBUZIE, Aj. y WILSON, V. A (2003). Statistics Anxiety:
Nature, etiology, antecedents, effects, and treatments--
a comprehensive review ofthe literature. Teaching in
Higher Education, 8(2): 195-209.
ORGANIZATION, W H. (2014). Global Health Observatory (GHO).
Fecha de consulta: 05/05 2014, en: .
<http://www.who.int/gho/en/>
PARKER, G. (2012). A clinical approach to diagnosing
depression in adults. Medicine Today, 4(08).
PINGITORE, R, SPRING, B. y GARFIELDT, D. (1997). Gender
differences in body satisfaction. Obesity Research,
5(5): 402-409.
QUILICI, j. L. Y MAYER, R E. (2002). Teaching students to
recognize structural similarities between statistics
word problems. Applied Cognitive Psychology, 16(3):
325-342.
SALKIND, N. j. (2012) . Statisticsfor People who (think They)
Hate Statistics: Excel 2010 Edition: Sage Publications.
SECRETARIA DEL MEDIO AMBIENTE DF. (2014) . Índice
Metropolitano de la Calidad del Aire. Fechade
consulta: 21/07 2014, en:
<http://www.calidadaire.df.gob.mx/calidadaire/inde
x.php?opcion=2&opcioninfoproductos=22>
SOSA, W (2014). Qué es (y qué no es) la Estadística. Buenos
Aires: Siglo XXI.
STATISTICS BRAIN. (2014). FacebookStatistics. Fecha de
consulta: 11/07 2014, en:
<http://www.statisticbrain.com/facebook-
statistics/>
STEWART, B. W, KLEIHUES, P. y CANCER, 1. A F. R. o. (2003) .
World cancer report (Vol. 57): IARC press Lyon.
THE WORLD BANK. (2014). Mexico I Data. Fecha de consulta:
04/262014, en:
<http://data.worldbankorg/country/mexico>
TORRES, E. (2011). Understanding Internet Addiction:
Depression and Social Support. San Francisco Bay:
Alliant International University.
UTTS, j. (2003). What eduCated citizens should know about
statistics and probability. American Statistician, 57(2):
74-79.
VANDENBOSCH, L. y EGGERMONT, S. (2012). Understanding
Sexual Objectification: A Comprehensive Approach
Toward Media Exposure and Girls' lnternalization of
Beauty Ideals, Self-Objectification, and Body
Surveillance. journal of Communication, 62(5): 869-
887.
YAU, N. (2011) . Visualize This: The FlowingData Guide ta
Design, Visualization, and Statistics: Wiley.
ZABLUDOVSKY, G. (2007). Las mujeres en México: trabajo,
educación superior y esferas de poder. Política y
cultura(28) : 09-41.
ZHANG, D., ZHOU, L., BRIGGS, R. O. y NUNAMAKER jR, j. F. (2006) .
lnstructional video in e-Iearning: Assessing the impact
 olinteractive video on learning effectiveness.
lnformation & Management, 43(1): 15-27.
ZHU, Z. (2007). Gender Differences in Mathematica/ Problem
So/ving Patterns: A Review 01 Literature. International
Education )ournal, 8(2): 187-203.

Alicia en el pufs de las estadísticas con P y Excel,

se terminó de imprimir el 14 de agosto de
2015 en los talleres de Tipos Futura, S. A.
de C. V. Francisco González Bocanegra 47-8,
Col. Ampliación MoreIos, México, D.F.
Se tiraron 300 ejemplares con interiores en
papel Cultural color paja de 90grs, y forros
en cartulina Ccuché cubierta de 250 grs. La
edición estuvo al cuidado de la autora, Dra.
MariCarmen González Videgaray y la Unidad
de Servidos Editoriales de la FES Acatlán-UNAM.