Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Fundamentos de Estadística
Lectura
Fundamentos de Estadística
Referencias bibliográficas
Otras fuentes consultadas
Anexos
ANEXO 1: NOMENCLATURA UTILIZADA EN ESTA GUÍA
ANEXO 2: TABLA DE ÁREAS BAJO LA CURVA NORMAL ESTANDARIZADA
Tabla 1 – Áreas desde z hacia la izquierda
Tabla 2 – Áreas desde z = 0 hacia la izquierda o hacia la derecha
ANEXO 3: TABLA DE LA DISTRIBUCIÓN t
Fundamentos de estadística
Pablo Cazau
PREFACIO
El presente texto fue pensado como un manual de consulta para alumnos de diversas carreras
universitarias de grado y posgrado que cursan asignaturas donde se enseña la estadística como
herramienta de la metodología de la investigación científica.
Se brinda aquí un panorama general e introductorio de los principales temas de una disciplina que opera
en dos grandes etapas: la estadística descriptiva y la estadística inferencial. También se desarrollan los
conceptos de probabilidad y curva normal, básicos para la comprensión de la estadística inferencial, y los
conceptos de correlación y regresión vinculados, respectivamente, con las etapas descriptiva e
inferencial.
Pablo Cazau. Licenciado en Psicología y Profesor de Enseñanza Media y Superior en Psicología (UBA).
Buenos Aires, Enero 2006.
La Estadística es una disciplina que utiliza recursos matemáticos para organizar y resumir una gran
cantidad de datos obtenidos de la realidad, e inferir conclusiones respecto de ellos.
Por ejemplo, la estadística interviene cuando se quiere conocer el estado sanitario de un país, a través de
ciertos parámetros como la tasa de morbilidad o mortalidad de la población. En este caso la estadística
describe la muestra en términos de datos organizados y resumidos, y luego infiere conclusiones respecto
de la población. Por ejemplo, aplicada a la investigación científica, hace inferencias cuando emplea
medios matemáticos para establecer si una hipótesis debe o no ser rechazada.
La estadística puede aplicarse a cualquier ámbito de la realidad, y por ello es utilizada en física, química,
biología, medicina, astronomía, psicología, sociología, lingüística, demografía, etc.
Cuando en cualquiera de estas disciplinas se trata de establecer si una hipótesis debe o no ser rechazada,
no siempre es indispensable la estadística inferencial.
Por ejemplo, si sobre 60 veces que se mira un dado, sale un dos 10 veces, no se requiere la estadística
para rechazar la hipótesis “el dado está cargado”. Si sale un dos en 58 ocasiones sobre 60, tampoco se
necesita la estadística para aceptar la hipótesis “el dado está cargado”.
Pero, ¿qué ocurre si el número dos sale 20, 25 o 30 veces? En estos casos de duda, la estadística
interviene para determinar hasta qué cantidad de veces se considerará rechazada la hipótesis (o bien
desde qué cantidad de veces se la considerará aceptada). En otras palabras, la estadística interviene
cuando debe determinarse si los datos obtenidos son debidos al azar o son el resultado de un dado
cargado.
Otro ejemplo. Si una persona adivina el color (rojo o negro) de las cartas en un 50% de los casos, se
puede rechazar la hipótesis “la persona es adivina”. Si, en cambio, acierta en el 99% de los casos el color
de las cartas, se puede aceptar la mencionada hipótesis. Los casos de duda corresponden a porcentajes
de acierto intermedios, como el 60%, el 70%, etc., en cuyos casos debe intervenir la estadística para
despejarlos.
La importancia de la estadística en la investigación científica radica en que la gran mayoría de las
investigaciones son „casos de duda‟.
Parámetros POBLACION x y
Estadísticos x y
MUESTRA
x1 x2 xn x1 y1
Puesto que la estadística se ocupa de una gran cantidad de datos, debe primeramente definir de cuáles
datos se va a ocupar. El conjunto de datos de los cuales se ocupa un determinado estudio estadístico se
llama población.
No debe confundirse la población en sentido demográfico y la población en sentido estadístico.
La población en sentido demográfico es un conjunto de individuos (todos los habitantes de un país, todas
las ratas de una ciudad), mientras que una población en sentido estadístico es un conjunto de datos
referidos a determinada característica o atributo de los individuos (las edades de todos los individuos de
un país, el color de todas las ratas de una ciudad).
Incluso una población en sentido estadístico no tiene porqué referirse a muchos individuos. Una población
estadística puede ser también el conjunto de calificaciones obtenidas por un individuo a lo largo de sus
estudios universitarios.
En el siguiente esquema pueden apreciarse algunas formas de considerar los datos individuales, según
que correspondan a muchas personas o a una sola, y también según que hayan sido recolectados en un
instante de tiempo determinado, o bien a lo largo del tiempo.
Los datos de la totalidad de una población pueden obtenerse a través de un censo. Sin embargo, en la
mayoría de los casos no es posible hacerlo por razones de esfuerzo, tiempo y dinero, razón por la cual se
extrae, de la población, una muestra, mediante un procedimiento llamado muestreo. Se llama muestra a
un subconjunto de la población, y que puede o no ser representativa de la misma.
Por ejemplo, si la población es el conjunto de todas las edades de los estudiantes de la provincia de
Buenos Aires, una muestra podría ser el conjunto de edades de 2000 estudiantes de la provincia de
Buenos Aires tomados al azar.
Los datos son la materia prima con que trabaja la estadística, del mismo modo que la madera es la
materia prima con que trabaja el carpintero. Así como este procesa o transforma la madera para obtener
un producto útil, así también el estadístico procesa o transforma los datos para obtener información útil.
Tanto los datos como la madera no se inventan: se extraen de la realidad; en todo caso el secreto está
en recoger la madera o los datos más adecuados a los objetivos del trabajo a realizar.
De una manera general, puede definirse técnicamente dato como una categoría asignada a una variable
de una unidad de análisis. Por ejemplo, “Luis tiene 1.70 metros de estatura” es un dato, donde „Luis‟ es
la unidad de análisis, „estatura‟ es la variable, y „1.70 metros‟ es la categoría asignada.
Como puede apreciarse, todo dato tienen al menos tres componentes: una unidad de análisis, una
variable y una categoría.
La unidad de análisis es el elemento del cual se predica una propiedad y característica. Puede ser una
persona, una familia, un animal, una sustancia química, o un objeto como una dentadura o una mesa.
La variable es la característica, propiedad o atributo que se predica de la unidad de análisis. Por ejemplo
puede ser la edad para una persona, el grado de cohesión para una familia, el nivel de aprendizaje
alcanzado para un animal, el peso específico para una sustancia química, el nivel de „salud‟ para una
dentadura, y el tamaño para una mesa.
Pueden entonces también definirse población estadística (o simplemente población) como el conjunto de
datos acerca de unidades de análisis (individuos, objetos) en relación a una misma característica,
propiedad o atributo (variable).
Sobre una misma población demográfica pueden definirse varias poblaciones de datos, una para cada
variable. Por ejemplo, en el conjunto de habitantes de un país (población demográfica), puede definirse
una población referida a la variable edad (el conjunto de edades de los habitantes), a la variable
ocupación (el conjunto de ocupaciones de los habitantes), a la variable sexo (el conjunto de condiciones
de sexo de los habitantes).
La categoría es cada una de las posibles variaciones de una variable. Categorías de la variable sexo son
masculino y femenino, de la variable ocupación pueden ser arquitecto, médico, etc, y de la variable edad
pueden ser 10 años, 11 años, etc. Cuando la variable se mide cuantitativamente, es decir cuando se
expresa numéricamente, a la categoría suele llamársela valor. En estos casos, el dato incluye también
una unidad de medida, como por ejemplo años, cantidad de hijos, grados de temperatura, cantidad de
piezas dentarias, centímetros, etc. El valor es, entonces, cada una de las posibles variaciones de una
variable cuantitativa.
Datos individuales y datos estadísticos.- Un dato individual es un dato de un solo individuo, mientras
que un dato estadístico es un dato de una muestra o de una población en su conjunto. Por ejemplo, la
edad de Juan es un dato individual, mientras que el promedio de edades de una muestra o población de
personas es un dato estadístico. Desde ya, puede ocurrir que ambos no coincidan: la edad de Juan puede
ser 37 años, y el promedio de edades de la muestra donde está incluído Juan es 23 años. Por esta razón
un dato estadístico nada dice respecto de los individuos, porque solamente describe la muestra o
población.
Los datos estadísticos que describen una muestra suelen llamarse estadísticos (por ejemplo, el
promedio de ingresos mensuales de las personas de una muestra), mientras que los datos estadísticos
descriptores de una población suelen llamarse parámetros (por ejemplo, el promedio de ingresos
mensuales de las personas de una población) (Kohan N, 1994:143).
1.5 LA MEDICIÓN
Los datos se obtienen a través un proceso llamado medición. Desde este punto de vista, puede definirse
medición como el proceso por el cual asignamos una categoría (o un valor) a una variable, para
determinada unidad de análisis. Ejemplo: cuando decimos que Martín es varón, estamos haciendo una
medición, porque estamos asignando una categoría (varón) a una variable (sexo) para una unidad de
análisis (Martín).
A veces se ha definido medir como comparar, lo cual puede referirse a diversos tipos de comparación: 1)
comparar una cantidad con otra tomada como unidad Sentido clásico de comparación); 2) comparar dos
categorías de una misma variable en el mismo sujeto y distinto tiempo; 3) comparar dos categorías de una misma
variable en distintos sujetos al mismo tiempo; y 4) categorías de variables distintas (debe usarse puntaje
estandarizado), en el mismo sujeto o en sujetos distintos.
Se pueden hacer mediciones con mayor o menor grado de precisión. Cuanto más precisa sea la medición,
más información nos suministra sobre la variable y, por tanto, sobre la unidad de análisis. No es lo
mismo decir que una persona es alta, a decir que mide 1,83 metros.
Los diferentes grados de precisión o de contenido informativo de una medición se suelen caracterizar
como niveles de medición. Típicamente se definen cuatro niveles de medición, y en cada uno de ellos la
obtención del dato o resultado de la medición será diferente:
En el nivel nominal, medir significa simplemente asignar un atributo a una unidad de análisis (Martín es
electricista).
En el nivel ordinal, medir significa asignar un atributo a una unidad de análisis cuyas categorías pueden
ser ordenadas en una serie creciente o decreciente (la categoría „secundaria completa‟ puede ordenarse
en una serie, pues está entre „secundaria incompleta‟ y „universitaria incompleta‟).
En el nivel cuantitativo, medir significa además asignar un atributo a una unidad de análisis de modo tal
que la categoría asignada permita saber „cuánto‟ mayor o menor es respecto de otra categoría, es decir,
especifica la distancia o intervalo entre categorías (por ejemplo, la categoría 70 es el doble de la
categoría 35).
Las variables medibles en el nivel cuantitativo pueden ser discretas o continuas. Una variable discreta es
aquella en la cual, dados dos valores consecutivos, no puede adoptar ningún valor intermedio (por
ejemplo entre 32 y 33 dientes, no puede hablarse de 32.5 dientes). En cambio, una variable es continua
cuando, dados dos valores consecutivos, la variable puede adoptar muchos valores intermedios (por
ejemplo entre 1 y 2 metros, puede haber muchas longitudes posibles).
Algunas veces una misma variable puede ser considerada como discreta o continua. Por ejemplo, la
variable peso es discreta si solamente interesan los pesos sin valores intermedios (50 kg, 51 kg, etc),
mientras que será continua si interesan también los valores intermedios (50,3 kg, 50,35 kg, 50,357 kg,
etc). Obviamente, al considerar una variable como continua se obtendrá mayor precisión, es decir, mayor
información.
La precisión es una cualidad importante de la medición. Se pueden hacer mediciones más precisas y menos
precisas, o tan precisas como lo permita el instrumento de medición. El primer nivel de medición es el menos
preciso, y el último el más preciso. Por ejemplo, una mujer puede estar interesada en „medir‟ el amor de su
pareja, para lo cual podrá interrogarla solicitándole diferentes grados de precisión: ¿me querés? (nivel nominal),
¿me querés más que a la otra? (nivel ordinal), ¿Cuánto me querés, del 1 al 10? (nivel cuantitativo).
De la misma manera, diferentes grados de precisión para la variable temperatura pueden ser: A es un objeto
caliente (nivel nominal), A es más caliente que B (nivel ordinal), A tiene 25 grados Celsius (nivel cuantitativo). Los
ejemplos del amor y de la temperatura ilustran también el hecho de que una variable puede en principio medirse
en cualquiera de los niveles de medición.
Los niveles de medición pueden también ser clasificados de acuerdo a un criterio diferente, que afecta
específicamente a los dos últimos. Así, los niveles de medición pueden ser clasificados como nominal,
ordinal, de intervalos iguales y de cocientes o razones.
Más allá de sus diferentes propiedades matemáticas, el nivel de intervalos iguales incluye un cero relativo
o arbitrario, mientras que el nivel de cocientes o razones incluye un cero absoluto o real. Un cero
absoluto o real representa la ausencia „real‟ de la variable (cero metros implica ausencia de longitud),
mientras que un cero relativo o arbitrario no (cero grado centígrados no implica ausencia de
temperatura).
Existen ciertas variables a las cuales no puede asignársele un „cero real‟, por cuanto no se considera que
esa variable pueda estar ausente en la realidad. Tal es el caso de la ansiedad o la inteligencia: nadie, por
menos ansioso o por menos inteligente que sea, puede tener ansiedad o inteligencia nulas.
2.1 GENERALIDADES
A medida que se van utilizando estos procedimientos, los datos van quedando cada vez más resumidos y
organizados. El empleo de dichos procedimientos propios de la estadística descriptiva sigue un orden
determinado, como puede apreciarse en el siguiente esquema:
Una vez que los datos han sido recolectados, se procede a continuación a ordenarlos en una matriz de
datos y luego a agruparlos en una tabla de frecuencias.
La forma de ordenarlos y agruparlos dependerá del tipo de variable considerada. Por ejemplo, si son
datos relativos a variables cualitativas (niveles de medición nominal y ordinal), no podremos utilizar
tablas de frecuencias por intervalos. El siguiente cuadro indica de qué manera se pueden ordenar y
agrupar los datos según cada nivel de medición de la variable:
Una vez confeccionada la matriz de datos, se procede luego a resumir aún más esta información
mediante una tabla de frecuencias o, si cabe, en una tabla de frecuencias por intervalos. Una tabla de
este último tipo se justifica cuando la tabla de frecuencias original es demasiado grande y por tanto de
difícil manejo para procesar la información. Sea de la forma que fuere, los datos ordenados según sus
frecuencias suelen denominarse distribución de frecuencias (13).
Las tablas de frecuencias contienen tres elementos importantes: las frecuencias, el tamaño de la muestra
y los intervalos (en este último caso sólo para variables cuantitativas).
a) Frecuencia.- La frecuencia (f) se define como la cantidad de datos iguales o que se repiten. Por
ejemplo: la frecuencia 2 indica que el dato „católico‟ se repite dos veces, la frecuencia 3 que el dato
“clase media” se repite tres veces, y la frecuencia 8 que el dato “17 años” se repite ocho veces.
A veces resulta necesario expresar las frecuencias de otra manera, como puede apreciarse en la siguiente
tabla ilustrativa:
x (edad) f f% F F% fr Fr
15 3 15% 3 15% 0.15 0.15
16 7 35% 10 50% 0.35 0.50
17 8 40% 18 90% 0.40 0.90
18 2 10% 20 100% 0.10 1
n = 20 n = 100% ------ ------ n=1 ------
Frecuencia absoluta (f).- Es la cantidad de datos que se repiten. Por ejemplo, la frecuencia 3 indica que
hay tres personas de 15 años. La suma de todas las frecuencias absolutas equivale al tamaño de la
muestra.
Frecuencia porcentual (f%).- Es el porcentaje de datos que se repiten. Por ejemplo, la frecuencia
porcentual 15% indica que el 15% de la muestra tiene la edad de 15 años. La suma de todas las
frecuencias porcentuales es 100%.
Frecuencia acumulada (F).- Es el resultado de haber sumado las frecuencias anteriores. Por ejemplo, la
frecuencia acumulada 10 resulta de sumar 7+3, e indica la cantidad de veces que se repiten las edades
16 y 15. La última de todas las frecuencias acumuladas, que en el ejemplo es 20, debe coincidir con el
tamaño de la muestra.
Frecuencia acumulada porcentual (F%).- Es el porcentaje de las frecuencias acumuladas.
Frecuencia relativa (fr).- A veces también llamada proporción, es el cociente entre la frecuencia de un
dato x y la frecuencia total o tamaño de la muestra. En la práctica, el tamaño de la muestra se considera
como 1, a diferencia del tamaño de la muestra en la frecuencia porcentual, que se considera 100%.
Frecuencia relativa acumulada (Fr).- Es el resultado de haber sumado las frecuencias relativas
anteriores. Por ejemplo: la frecuencia relativa 0.90 indica que en 0.90 casos sobre 1 las edades están
comprendidas entre 15 y 17 años.
Frecuencias parciales y frecuencia total.- Tanto las frecuencias absolutas como las porcentuales o las
relativas pueden ser frecuencias parciales o una frecuencia total, siendo ésta última la suma de todas
frecuencias parciales.
Las frecuencias porcentuales y las frecuencias relativas comparan la frecuencia parcial con la frecuencia
total, y sirven para establecer comparaciones entre muestras distintas. Por ejemplo, si en una muestra
de 1000 hombres, solo votaron 200, y en una muestra de 600 mujeres solo votaron 200 mujeres, en
términos de frecuencias absolutas existe la misma cantidad de votantes masculinos y femeninos, es decir
200, pero en „proporción‟, las mujeres votaron más (la tercera parte del total) que los hombres (la quinta
parte del total). Esta información se obtiene al convertir las frecuencias absolutas en frecuencias
porcentuales o en frecuencias relativas (o proporciones).
2) Tamaño de la muestra.- Otro concepto importante es el tamaño de la muestra (n), que designa la
cantidad total de datos. Obviamente, la suma de todas las frecuencias f debe dar como resultado el
tamaño n de la muestra, por lo que el tamaño de la muestra coincide con la frecuencia total.
3) Intervalos.- Un intervalo, también llamado intervalo de clase, es cada uno de los grupos de valores
ubicados en una fila en una tabla de frecuencias. Por ejemplo el intervalo 15-16 significa que en esa fila
se están considerando las edades de 15 a 16 años. La frecuencia correspondiente a un intervalo es igual
a la suma de frecuencias de los valores en él incluídos (2). Los intervalos presentan algunas
características, que son las siguientes:
Tamaño del intervalo (a).- También llamado amplitud o anchura del intervalo, es la cantidad de valores
de la variable que se consideran conjuntamente en ese intervalo. Por ejemplo, el intervalo 15-16 años
tiene una amplitud de 2, puesto que se consideran dos valores: 15 y 16. En otro ejemplo, el intervalo 20-
25 años tiene una amplitud de 6, puesto que se consideran seis valores.
En general, puede calcularse el tamaño de un intervalo restando el límite superior y el inferior y sumando
al resultado el número 1. Por ejemplo, 25 menos 20 da 5, y sumándole 1 da 6.
Los ejemplos indicados corresponden a variables discretas, lo que significa que no podrán encontrarse
valores intermedios entre dos intervalos. Por ejemplo, entre los intervalos 15-16 y 17-18 no se
encontrarán valores intermedios entre 16 y 17 años.
Téngase presente que: a) preferiblemente los intervalos deben tener un tamaño constante, de manera tal
que no se pueden considerar como intervalos 15-16 y 17-20, porque tienen diferentes tamaños; y b) los
intervalos han de ser mutuamente excluyentes, de manera tal que cuando se trata de variables discretas,
no pueden definirse los intervalos 15-16 y 16-17, porque el valor 16 años está en ambos intervalos y no
se podrá saber con seguridad en qué intervalo ubicar dicho valor.
El problema se puede presentar con las variables continuas, donde, por definición, podría aparecer algún
valor intermedio entre dos intervalos. Por ejemplo, si se considera la variable continua „ingresos
mensuales‟ y se consideran en ella los intervalos 1000-2000 dólares y 3000-4000 dólares, puede ocurrir
que un dato obtenido de la realidad sea 2500 dólares, con lo cual no podrá ser registrado en ningún
intervalo. En tal caso se deberían reorganizar los intervalos como 1000-2999 dólares y 3000-4999
dólares, con lo cual el problema estaría resuelto.
Desde ya, puede ocurrir que aparezca un ingreso mensual de 2999,50 dólares, en cuyo caso en principio
deberían reorganizarse nuevamente los intervalos como 1000-2999,50 dólares y 2999,51-4999 dólares.
La forma de reorganizar los intervalos dependerá entonces del grado de precisión que pretenda el
investigador o del grado de precisión del instrumento de medición disponible.
Límites del intervalo.- Todo intervalo debe quedar definido por dos límites: un límite inferior y un límite
superior. Estos límites, a su vez, pueden ser aparentes o reales (Pagano, 1998:38-39). Considérese el
siguiente ejemplo:
Si la variable considerada es discreta, carecerá de sentido la distinción entre límites reales o aparentes.
Si se conviene que los valores que la variable puede adoptar son números enteros, se considerarán
solamente los intervalos 95-99, 90-94, etc. Estos intervalos son en rigor reales, porque expresan los
valores „reales‟ que puedan haber, que no son fraccionarios.
Sólo en el caso de las variables continuas adquiere sentido la distinción entre límites reales y aparentes.
Si la variable es continua, deberían tenerse en cuenta los límites reales. Por ejemplo, si un valor resulta
ser 94.52, entonces será ubicado en el intervalo 94.5-99.5. Sin embargo, aún en estos casos, lo usual es
omitir los límites reales y presentar sólo los límites aparentes (Pagano, 1998:39). En todo caso, los
límites reales se utilizan a veces cuando se intenta transformar la tabla de frecuencias por intervalos en
un gráfico.
En principio, en ningún caso deberá haber una superposición de valores, como en el caso de los
intervalos 20-21 y 21-22, donde el valor 21 está incluído en ambos intervalos, violándose así la regla de
la mutua exclusión. Si acaso se presentara esta situación, o bien podrá ser adjudicada a un error del
autor de la tabla, o bien deberá traducírsela como 20-20.99 y 21-22.99.
Punto medio del intervalo (xm).- Es el valor que resulta de la semisuma de los límites superior e inferior,
es decir, el punto medio del intervalo se calcula sumando ambos límites y dividiendo el resultado por dos.
Por ejemplo, el punto medio del intervalo 15-20 es 17.5. El punto medio del intervalo sirve para calcular
la media aritmética.
Intervalos abiertos y cerrados.- Idealmente, todos los intervalos deberían ser cerrados, es decir, deberían
estar especificados un límite superior y uno inferior de manera definida. Sin embargo, en algunos casos
se establecen también intervalos abiertos, donde uno de los límites queda sin definir. En el siguiente
ejemplo, ‟18 o menos‟ y ‟29 o más‟ son intervalos abiertos. Obviamente, en este tipo de distribución los
intervalos dejan de ser de tamaño constante.
Intervalos
18 o menos
19-23
24-28
29 o más
Una vez que los datos han sido organizados en tablas de frecuencias, es posible seguir avanzando
organizándolos, desde allí, de otras maneras diferentes y con distintos propósitos. Una de estas maneras
es la utilización de representaciones gráficas, algunas de las cuales son aptas para representar variables
cualitativas (niveles nominal y ordinal) y otras para variables cuantitativas. Al tratarse de esquemas
visuales, los gráficos permiten apreciar de un „golpe de vista‟ la información obtenida.
Esta técnica de visualización de datos es aquí mencionada en primer lugar porque puede ser considerada
un procedimiento intermedio entre la tabla de frecuencias y el gráfico. Fue creada por Tukey en 1977
(citado por Botella, 1993:59) y presenta, entre otras, las siguientes ventajas: a) permite conocer cada
puntuación individual (a diferencia de la tabla de frecuencias por intervalos, donde desaparecen en ellos);
y b) puede ser considerada un „gráfico‟ si hacemos girar 90° el listado de puntuaciones o datos.
A continuación se describe la forma de construir un diagrama de tallo y hojas, tomando como ejemplo la
siguiente distribución de datos ordenados:
32-33-37-42-46-49-51-54-55-57-58-61-63-63-65-68-71-72-73-73-73-75-77-77-78-83-85-85-91-93
Girando la tabla obtenida 90° hacia la izquierda, se obtendrá algo similar a un gráfico de barras, que
muestra por ejemplo que la mayor concentración de valores es la que comienza con 7.
Una utilidad adicional del diagrama de tallo y hojas es que permite comparar visualmente dos variables,
es decir, dos conjuntos de datos en los análisis de correlación, como puede apreciarse en el siguiente
ejemplo:
Visualmente es posible darse una idea de los resultados del experimento: los datos del grupo
experimental tienden a concentrarse en los valores altos, y los del grupo de control en los valores bajos.
Pictograma
Es una representación gráfica en la cual se utilizan dibujos. Por ejemplo, en el siguiente pictograma cada
cara puede representar 100 personas:
Varones
Mujeres
100 personas
Sector circular
Representación gráfica de forma circular donde cada porción de la „torta‟ representa una frecuencia. Para
confeccionarlo se parte de una tabla de frecuencias donde están especificadas las frecuencias en grados
(f°), las cuales se calculan mediante una sencilla regla de tres simple a partir de las frecuencias absolutas
(f).
Por ejemplo, si 825 es a 360°, entonces 310 es igual a 360° x 310 dividido por 825, lo cual da un
resultado de 135°. Por lo tanto, para representar la frecuencia 310 deberá trazarse un ángulo de 135°.
Estos valores pueden verse en el ejemplo siguiente, donde se han representado dos sectores circulares
distintos, uno para varones y otro para mujeres:
x Sexo Total f° f°
(patología) Varones Mujeres (varones) (mujeres)
Angina 310 287 597 135° 113°
Bronquitis 297 429 726 130° 169°
Sarampión 123 120 243 54° 47°
Otras 95 80 175 41° 31°
Total 825 916 1691 360° 360°
Bronquitis Bronquitis
Angina
Saram Angina Saram
pión
pión
Otras Otras
Varones
Mujeres
Para realizar estos sectores se traza un ángulo de por ejemplo 130° y dentro de coloca la palabra
“bronquitis”, y así sucesivamente.
El círculo para mujeres es algo mayor que el círculo para hombres, porque en la muestra hay más
mujeres que hombres. Para lograr estos tamaños debe calcularse el radio. Por ejemplo, si se ha elegido
un radio masculino de 4 cm, el radio femenino puede calcularse mediante la fórmula siguiente:
El radio femenino es igual al radio masculino multiplicado por la raíz cuadrada del n femenino, resultado
que se dividirá por la raíz cuadrada del n masculino, donde n = tamaño de la muestra de cada sexo. Si el
radio masculino es 4 cm, con esta fórmula se obtendrá un radio femenino de 4,22 cm.
Diagrama de barras
Representación gráfica donde cada barra representa una frecuencia parcial. En el eje de las ordenadas se
indican las frecuencias absolutas, y en el eje de absisas se representan los valores de la variable x. De
esta manera, las barras „más altas‟ tienen mayor frecuencia.
Existen diferentes tipos de diagramas de barras, de los cuales se ilustran tres: las barras simples, las
barras superpuestas y las barras adyacentes. Los dos últimos tipos dan información sobre dos variables
al mismo tiempo, que son sexo y estado civil en los ejemplos que siguen:
f f
25 25
20 20
15 15
10 10
5 5
Barras adyacentes
25
20
15
Adolescentes
10
5
Adultos
Histograma de Pearson
Utilizado para representar variables cuantitativas continuas agrupadas en intervalos, este gráfico se
compone de barras adyacentes cuya altura es proporcional a las respectivas frecuencias parciales. En el
ejemplo siguiente, se presenta la tabla de frecuencias por intervalos y su histograma correspondiente:
x (longitud) f
1-1.99 3
2-2.99 5
3-3.99 2
Total 10
f
1 2 3 4
x
Como pude apreciarse, en las absisas se indican los límites inferiores de los intervalos.
Cuando los intervalos no son iguales, en lugar de indicar las frecuencias absolutas pueden indicarse las
alturas (h). Esta última se obtiene dividiendo la frecuencia parcial por el tamaño del intervalo
correspondiente.
Polígono de frecuencias
Es un gráfico de líneas rectas que unen puntos, siendo cada punto la intersección del punto medio del
intervalo (indicado en las absisas) y la frecuencia correspondiente. Tomando el ejemplo anterior, el
polígono de frecuencias sería el siguiente:
Un polígono de frecuencias puede obtenerse también a partir del histograma correspondiente. Para ello
basta con indicar los puntos medios de cada línea horizontal superior de cada barra del histograma, y
luego unirlos con líneas rectas.
Otra alternativa para este tipo de diagrama es el polígono de frecuencias acumuladas, donde se indican
las frecuencias acumuladas en lugar de las frecuencias habituales.
Ojiva de Galton
Gráfico en el cual se consignan en las ordenadas las frecuencias acumuladas y en las absisas los límites
superiores de cada intervalo (aunque también pueden indicarse los puntos medios de cada intervalo). Por
ejemplo:
x (longitud) f F
1-1.99 3 3
2-2.99 5 8
3-3.99 2 10
Total 10
F
10
Los datos individuales pueden ser sintetizados mediante medidas de posición, medidas de dispersión
(ambas se llaman medidas estadísticas), medidas de asimetría y medidas de curtosis. En este ítem se
describen las medidas de posición.
Definición
Las medidas de posición pueden ser definidas de diversas formas (4). En esta nota proponemos la
siguiente definición: Las medidas de posición son datos estadísticos que intentan representar un conjunto
de datos individuales respecto de una variable.
Esta definición se refiere a tres cuestiones:
1) Son medidas estadísticas, es decir, no son medidas individuales. Una medida de posición representa a
todo un conjunto de datos, y no son los datos individuales. Por ejemplo, un promedio de edades
representa a todas las edades del grupo, y no es la edad individual de uno de sus miembros, aunque
pueda coincidir numéricamente con ella. Así, si el promedio de edades es 20 años y una de las personas
del grupo tiene 20 años, el primer dato es una medida estadística y el segundo una medida individual.
En otros términos, las medidas estadísticas no describen individuos, sino poblaciones o muestras. Por
ejemplo, no tiene sentido explicar que una persona es anciana porque vive en una población cuyo
promedio de edad es 70 años.
2) Son medidas representativas, es decir, intentan representar y sintetizar a todas las medidas
individuales. El conjunto de todas las medidas individuales puede recibir diversos nombres, tales como
muestra y población, con lo cual tiene sentido afirmar proposiciones tales como „una medida de posición
representa una muestra o una población‟.
Por ejemplo, es posible representar las notas obtenidas por un grupo de alumnos de diversas maneras:
a) El promedio de las notas es de 7.35 puntos (en este caso usamos una medida de posición llamada
media aritmética).
b) La mitad de los alumnos ha obtenido una nota superior a 6,5 puntos (en este caso utilizamos otra
medida de posición llamada mediana).
c) La nota que más se ha repetido fue 7 puntos (en este caso usamos la medida de posición llamada
modo).
La pregunta acerca de cuál de las tres medidas de posición representa „mejor‟ al conjunto de datos
individuales es el problema de la representatividad de la medida de posición, y la estadística suministra,
como se verá, diversos criterios para evaluar la mejor forma de representar un cierto número de datos
individuales.
3) Son medidas que miden una variable, es decir, algún atributo o propiedad de los objetos. En el
ejemplo anterior la variable medida es el rendimiento académico, pero también pueden obtenerse
medidas de posición representativas de un conjunto de edades, de profesiones, de clases sociales, de
puntuaciones de un test, de cantidad de dientes, etc.
De otra manera: no tiene sentido decir que una medida de posición represente un conjunto de personas,
pero sí tiene sentido decir que representan las edades de un conjunto de personas.
Las medidas de posición pueden ser de tendencia central y de tendencia no central. Las primeras “se
refieren a los valores de la variable que suelen estar en el centro de la distribución” (Kohan, 1994:69).
Por ejemplo: la media aritmética, la mediana y el modo son las más conocidas, pero también está la
media aritmética ponderada (útil cuando hay valores que se repiten y que requieren atención diferencial),
la media geométrica (Kohan, 1994:71-72), la media armónica, la media antiarmónica, la media
cuadrática, la media cúbica, etc.
Las medidas de posición no centrales son los cuartiles, deciles y percentiles (Kohan, 1994:79), que
reciben genéricamente el nombre de cuantiles o fractiles (5).
De acuerdo a Botella (1993:99), las medidas de posición no centrales son datos o valores que ocupan
una posición especial en la serie de datos. Cuando una medida de posición es un dato que ocupa un lugar
central, la llamamos medida de tendencia central.
Relación entre modo, mediana y media aritmética.- a) La experiencia indica que la relación entre estas
tres medidas es:
Modo = (3 . Mediana) – (2 . Media aritmética). Esta relación es conocida como la fórmula de Pearson. b)
Cuanto más simétrica es una distribución (por ejemplo en una curva normal), más tienden a coincidir los
valores de las tres medidas.
Para calcular una determinada medida de posición puede haber diversas fórmulas. La elección de la
fórmula adecuada dependerá de la forma en que estén organizados los datos individuales.
En principio, los datos pueden estar organizados de cuatro maneras:
1) Datos desordenados. Por ejemplo, las edades de un grupo de cuatro personas son 17, 29, 17 y 14.
Cuando se recolecta información, generalmente se obtienen datos desordenados, frente a lo cual
convendrá ordenarlos.
2) Datos ordenados. Por ejemplo, las edades del mismo grupo de personas son 14, 17, 17 y 29, si hemos
decidido ordenarlas en forma creciente, aunque también podemos ordenarlas decrecientemente.
3) Datos agrupados por frecuencia. Por ejemplo, hay dos edades de 17 años, una edad de 14 años y una
edad de 29 años. O, lo que es lo mismo, la frecuencia de la edad 17 es 2, y la frecuencia de las restantes
edades es 1.
4) Datos agrupados por intervalos. Por ejemplo, hay 3 edades comprendidas en el intervalo 14-17 años,
y una edad comprendida en el intervalo 18-29 años.
La estadística va agrupando los datos siguiendo el orden anterior. Cuanto más avance en este proceso,
más habrá logrado sintetizar y organizar los datos individuales.
En el siguiente cuadro se sintetizan las diversas reglas o fórmulas para calcular las medidas de posición,
según como estén organizados los datos individuales y según los niveles de medición que admiten.
Nótese que en algunos casos no es posible especificar ninguna fórmula, y entonces el cálculo se hará
siguiendo la regla indicada para los mismos. Por ejemplo: “para calcular el modo de un conjunto de datos
ordenados, debe buscarse el dato o valor que más se repite” (6).
Cálculo de medidas de posición según los niveles de medición que admiten y según la forma de organización de los datos individuales.
Preparado por: Pablo Cazau
Medida de Nivel de Datos ordenados Datos agrupados por frecuencia Datos agrupados por intervalos
posición medición
Modo Nominal Valor que más se repite Valor con la mayor frecuencia ------------
Ordinal Valor que más se repite Valor con la mayor frecuencia ------------
Cuantitativo Valor que más se repite Valor con la mayor frecuencia f - fant
Mo = Li + ---------------------- . a
(f - fant) + (f- fpos)
Mediana Ordinal Valor central de la serie Valor que corresponde a la frecuencia acumulada n/2 ------------
ordenada de valores
Cuantitativo Valor central de la serie Valor que corresponde a la frecuencia acumulada n/2 n/2 - Fant
ordenada de valores Mn = Li + ---------------------- . a
f
Media Cuantitativo x x.f) xm.f)
aritmética
X = ----- X = --------- X = ---------
n n n
Cuartil Cuantitativo Valores que dividen la serie Valor que corresponde a la frecuencia acumulada t.n/4, expresión
0
t.n/4 - Fant
en cuatro partes iguales. llamada cuartil de orden o Q (1) Qt = Li + ---------------- . a
Por tanto, hay 3 cuartiles: Q1, Donde t puede valer 1, 2 o 3.
Q2 y Q3 Por tanto, hay 3 cuartiles: Q1, Q2 y Q3 f
Decil Cuantitativo Valores que dividen la serie Valor que corresponde a la frecuencia acumulada t.n/10, expresión
0
t.n/10 - Fant
en diez partes iguales. llamada decil de orden o D (1) Dt = Li + ---------------- . a
Por tanto, hay 9 deciles: Donde t puede valer entre 1 y 9.
desde el D1 hasta el D9 Por tanto, hay 9 deciles: desde el D1 hasta el D9 f
Percentil Cuantitativo Valores que dividen la serie Valor que corresponde a la frecuencia acumulada t.n/100, expresión
0
t.n/100 - Fant
en cien parte iguales. llamada percentil de orden o P (1) Pt = Li + ---------------- . a
Por tanto, hay 99 percentiles: Donde t puede valer entre 1 y 99.
desde el P1 hasta el P99 Por tanto, hay 99 percentiles: desde el P1 hasta el P99 f
(1) Si no puede identificarse unívocamente una frecuencia acumulada, y por tanto un valor determinado de x, puede ser calculada por interpolación. En realidad, los cuantiles se
utilizan preferentemente cuando los datos están agrupados por intervalos.
A continuación, se suministran ejemplos de cómo calcular cada medida de posición teniendo
en cuenta las reglas y fórmulas del esquema anterior.
a) Cálculo del modo para datos ordenados (niveles nominal, ordinal y cuantitativo)
Nivel nominal: perro, perro, gato, gato, gato, gato (por tanto, el modo es gato)
Nivel ordinal: grande, grande, mediano, mediano, mediano, chico, chico, chico, chico (por
tanto, el modo es chico)
Nivel cuantitativo: 6, 6, 7, 7, 7, 7, 8, 9, 10, 10, 11 (por tanto, el modo es 7)
b) Cálculo del modo para datos agrupados en frecuencia (niveles nominal, ordinal y
cuantitativo)
Como puede verse, el modo es el valor de la variable x que está más repetido.
c) Cálculo del modo para datos agrupados por intervalos (nivel cuantitativo)
Una vez confeccionada la tabla de frecuencias por intervalos, se procede en dos pasos:
f - fant
Mo = Li + ---------------------- . a
(f - fant) + (f- fpos)
24 - 8
Mo = 28 + ---------------------- . 8 = 31.37 piezas dentarias
(24 - 8) + (24 - 2)
Para hallar la mediana de un conjunto de datos, primero hay que organizarlos en orden
descendente o ascendente. Si el conjunto de datos contiene un número impar de elementos,
el central es la mediana. Si hay un número par, la mediana es el promedio de los dos datos
centrales.
Número impar de datos: alto, alto, alto, alto, medio, medio, medio, medio, medio, medio,
bajo (por tanto, la mediana es = medio).
Número par de datos: En el nivel ordinal no puede calcularse un promedio si los dos valores
centrales son distintos. Si los dos valores centrales son iguales, ese es el valor de la
mediana.
x (días) f F
1 7 7
2 9 16
3 14 30
4 10 40
5 2 42
n = 42
x f F
0-3 8 8
3-6 10 18
6-9 11 29
9-12 12 41
12-15 9 50
15-18 7 57
18-21 6 63
21-24 5 68
n = 68
Nótese que para calcular la mediana se precisa información sobre frecuencias acumuladas,
razón por la cual se ha agregado la columna respectiva.
Se procede en dos pasos:
a) Se identifica cuál es el intervalo que debe ser considerado, para lo cual se calcula la
mediana de orden:
n/2 - Fant
Mn = Li + ---------------------- . a
f
34 - 29
Mn = 9 + ---------------------- . 3 = 10.25
12
Téngase presente que si la variable fuera discreta y medible sólo en números enteros, sería
Mn = 10.
Si la variable fuese cantidad de materias aprobadas, el alumno con 10 materias aprobadas
está en el lugar central de la serie, es decir, habría un 50% de compañeros con menos
materias aprobadas y un 50% con más materias aprobadas.
g) Cálculo de la media aritmética para datos ordenados (nivel cuantitativo)
x
X = -----
n
X = ---------------------------------------- = --------- = 5
12 12
x (edad) f f.x
18 3 54
19 1 19
20 2 40
23 4 42
25 2 50
26 2 52
28 2 56
n = 16 363
Nótese que para el cálculo de la media aritmética se ha agregado una columna con los
productos de x . f.
Se aplica la fórmula de media aritmética:
x f xm xm.f
0-3 8 1.5 12
3-6 10 4.5 45
6-9 11 7.5 82.5
9-12 12 10.5 126
12-15 9 13.5 121.5
15-18 7 16.5 115.5
18-21 6 19.5 117.6
21-24 5 22.5 112.5
n = 68 732.5
Nótese que para el cálculo de la media aritmética se ha agregado una columna con los
puntos medios de los intervalos y otra con los productos de las frecuencias por los puntos
medios.
Se aplica la fórmula de media aritmética:
xm.f) 732.5
X = ------------- = ---------- = 10.77
n 68
El método corto y el método clave son dos métodos alternativos para calcular la media
aritmética, siendo el último sólo aplicable cuando el tamaño de los intervalos es constante.
De acuerdo al método corto, la media aritmética se calcula sumando al punto medio del
intervalo de mayor frecuencia, el cociente entre la sumatoria de los productos entre cada
frecuencia y la diferencia entre el punto medio de cada intervalo menos el punto medio del
intervalo de mayor frecuencia, y la sumatoria de frecuencias (n).
De acuerdo al método clave, la media aritmética se calcula sumando al punto medio del
intervalo de mayor frecuencia, el producto entre el tamaño del intervalo y un cociente, donde
el numerador es la sumatoria de los productos entre las frecuencias y el llamado intervalo
unitario (que resulta de dividir la diferencia entre cada punto medio y el punto medio del
intervalo de mayor frecuencia, por el tamaño del intervalo), y donde el denominador es la
sumatoria de frecuencias (n).
1-1-1-1-1-2-2-2-3-3-3-3-4-5-6-6-6-6-7-7-8-8-9
Si en la serie anterior resaltamos los tres valores que la dividen en cuatro partes iguales,
esos valores serán los cuartiles Q1, Q2 y Q3:
1-1-1-1-1-2-2-2-3-3-3-3-4-5-6-6-6-6-7-7-8-8-9
Q1 = 2
Q2 = 3
Q3 = 6
Sin embargo, es más práctico agrupar los datos por frecuencias o por intervalos, a los
efectos del cálculo de los cuantiles (cuartiles, deciles o percentiles).
k) Cálculo del cuantil para datos agrupados por frecuencia (nivel cuantitativo)
x (edad) f F
18 3 3
19 1 4
20 2 6
23 4 10
25 2 12
26 2 14
28 2 16
n = 16
Q1 = 4
Q2 = Está entre 20 y 23
Q3 = 25
l) Cálculo del cuantil para datos agrupados por intervalos (nivel cuantitativo)
x (puntaje) f F
0-10 1 1
10-20 3 4
20-30 5 9
30-40 6 15
40-50 10 25
50-60 12 37
60-70 13 50
70-80 9 59
80-90 4 63
90-100 3 66
n = 66
t.n/10 - Fant
Dt = Li + ------------------- . a
f
46.2 - 37
D7 = 60 + ---------------- . 11 = 67.78
13
Es posible utilizar un procedimiento gráfico para calcular ciertas medidas de posición, tales
como el modo y la mediana. Por ejemplo, el modo se puede calcular a partir de un
histograma. La mediana también puede calcularse con un histograma, aunque lo más
habitual es hacerlo mediante una ojiva.
Una vez construido el histograma a partir de una tabla de datos agrupados por intervalos:
1) Se considera el rectángulo de mayor frecuencia (mayor altura).
2) Dentro del mismo se trazan dos rectas como está indicado en el gráfico siguiente.
3) Por la intersección de ambas rectas se traza una recta perpendicular al eje de absisas.
4) El punto del eje de las absisas por donde pasa la recta perpendicular corresponde al modo
(en el ejemplo, el modo es 4.80).
f
1 4 7 10
x
(*) Hay al menos tres situaciones donde se preferirá la mediana a la media (Botella, 1993:115): a)
cuando la variable es ordinal, b) cuando haya valores extremos que distorsionen la interpretación de la
media, y c) cuando haya intervalos abiertos, como en el caso de variables como ingresos mensuales.
2) La elección de una medida de posición debe tener en cuenta la forma en que están
organizados los datos. Por ejemplo: “en ocasiones, el azar hace que un solo elemento no
representativo se repita lo suficiente para ser el valor más frecuente del conjunto de datos.
Es por esta razón que rara vez utilizamos el modo de un conjunto de datos no agrupados
como medida de tendencia central. Por esta razón, debemos calcular el modo en datos
agrupados en una distribución de frecuencias” (Levin y Rubin, 1996).
3) La elección de una medida de posición de una muestra debe tener en cuenta el grado de
fidelidad con que representa a la medida de posición poblacional.
Botella (1993:114) afirma, en este sentido, que si no hay ningún argumento en contra,
siempre se preferirá la media, no sólo porque permite la utilización de otras medidas
estadísticas (por ejemplo el desvío estándar), sino porque es más representativa de la media
poblacional que el modo o la mediana con respecto al modo o la mediana poblacional.
Definición
Algunos autores (Botella, 1993:325) han relacionado la dispersión de los datos -para los
niveles de medición nominal y ordinal- con los conceptos de entropía y de incertidumbre e
incluso han propuesto a la primera como una medida que permite cuantificar la dispersión: a
mayor dispersión de los datos, hay mayor entropía y mayor incertidumbre.
Por ejemplo, las siguientes dos muestras tienen cada una 40 sujetos que han elegido
determinados colores para representar la idea de paz:
Si habría que adivinar qué color eligió determinado sujeto de la muestra A, cabría proponer
el color blanco porque fue el más elegido. En cambio, la incertidumbre aumenta si habría que
elegir lo mismo en la muestra B. En esta muestra hay más entropía, es decir, más desorden,
mientras que en la muestra A los datos están más ordenados alrededor de un valor muy
repetido, como el blanco.
La muestra B es más dispersa, es decir, más heterogénea, mientras que la muestra A es
menos dispersa, es decir, más homogénea. La homogeneidad no debe relacionarse con la
repetición de frecuencias (3-3-3-3) sino con la repetición de valores iguales o muy cercanos
entre sí (28 sujetos eligieron blanco).
Una medida de posición no alcanza para describir adecuadamente una muestra. Se obtiene
una información más precisa y completa de ella cuando además se utiliza una medida de
dispersión.
Por ejemplo, la muestra 1 de datos 3-4-5 y la muestra 2 de datos 1-4-7 tienen la misma
medida de posición: la media aritmética en ambos casos es 4. Sin embargo, se trata
evidentemente de dos muestras diferentes, por cuanto la segunda es más dispersa que la
primera, es decir, sus datos están más alejados de la media aritmética.
En la primera muestra el promedio de las desviaciones respecto de la media es 1 (de 3 a 4
hay 1, y de 5 a 4 hay 1), mientras que el promedio de las desviaciones en la segunda
muestra es 3 (de 1 a 4 hay 3, y de 7 a 4 hay 3). Por lo tanto, ambas muestras pueden
representarse de la siguiente manera:
Las medidas de dispersión tienen una importancia adicional porque (Levin y Rubin: 1996): a)
Proporcionan información adicional que permite juzgar la confiabilidad de la medida de
tendencia central. Si los datos se encuentran ampliamente dispersos, la posición central es
menos representativa de los datos. b) A veces resulta indispensable conocer la dispersión de
una muestra porque muestras demasiado dispersas pueden no ser útiles para poder sacar
conclusiones útiles sobre la muestra. Levin y Rubin indican que, “ya que existen problemas
característicos para datos ampliamente dispersos, debemos ser capaces de distinguir los que
presentan esa dispersión antes de abordar esos problemas”.
En este ítem se indican las fórmulas para calcular medidas de dispersión, y se suministran
ejemplos de cada caso.
Cálculo de las medidas de dispersión según la forma de organización de los datos
individuales
Preparado por: Pablo Cazau
Cuando hay que calcular varianza o desvío estándar poblacionales, se utiliza „n‟ en el
denominador, pero cuando se calculan las correspondientes medidas muestrales (o cuando la
muestra es muy pequeña), se utilizará „n–1‟ (12).
a) Cálculo del rango para datos ordenados y para datos agrupados por frecuencia
Muestra 1: 80, 100, 100, 110, 120. Aquí el rango R es = 120 – 80 = 40.
Muestra 2: 30, 50, 70, 120, 180. Aquí el rango R es = 180 – 30 = 150
No se puede calcular el rango para datos agrupados por intervalos porque se desconocen
cuáles son los valores máximo y mínimo.
2+3+5+6+7+9+10
X = --------------------------- = 6
7
A la siguiente tabla de frecuencias (f) deberá agregarse una columna (f.x) para calcular la
media aritmética, y luego otras dos columnas (x-X) y (| x-X | . f) para calcular la desviación
media:
x.f) 62800
X = --------- = ------------ = 104.66 = 105
n 600
|x–X|.f 8810
Dm = ------------------ = ------------ = 14.68
n 600
Se procede de la misma manera que en el caso anterior, con la diferencia que en lugar de
considerar los valores x, se consideran los puntos medios de los intervalos (xm).
Para la serie de valores 5, 6, 10, su media aritmética es 7. Una vez conocido este valor,
puede obtenerse el desvío estándar de la siguiente forma:
2 2 2 2
(x–X) (5-7) + (6-7) + (10-7)
S = ------------------- = ------------------------------------ = 4.66 = 2.2
n 3
Puede también utilizarse una fórmula más sencilla a los efectos del cálculo (Bancroft,
1960:80):
2
x .f
2
S = ----------- - (X)
n
Se procede del mismo modo que en el caso anterior, con la diferencia que se calcula el punto
medio xm de los intervalos en lugar del valor x.
h) Cálculo de la varianza
El procedimiento es el mismo que en el caso del desvío estándar. Sólo debe tenerse presente
que la varianza es el cuadrado del desvío estándar.
x f
0-20 2
20-40 4
40-60 5
60-80 8
80-100 1
n = 20
DQ = Q3 – Q1 = 70 – 35 = 35
Si una muestra tiene una media aritmética 111 y el desvío estándar 18, entonces su
coeficiente de variación es:
S 111
CV = ----- = ---------- = 0.16
X 18
Xmín Q1 Q3 Xmáx
B
Xmín Xmáx
Q1 Q3
Puede apreciarse a simple vista que la distribución de valores B es más dispersa que A no
sólo porque la diferencia entre los valores máximo y mínimo (rango) es mayor, sino también
porque lo es la diferencia entre los cuartiles primero y tercero.
Nivel de
ansiedad
4° 5° 6° 7° 8°
Curso
Asimetría
La asimetría hace referencia al grado en que los datos se reparten equilibradamente por
encima y por debajo de la tendencia central (Botella, 1993:169). Por ejemplo, en la siguiente
tabla se puede apreciar que en el curso A muchos alumnos obtuvieron buenas notas, en el
curso C muchos alumnos obtuvieron bajas notas, y en el curso B están equilibrados.
Representando las tres distribuciones de datos con curvas en un gráfico con las frecuencias
en las ordenadas y los valores de x en las absisas, se obtiene lo siguiente:
Han sido propuestos diversos índices de asimetría para cuantificar el grado de asimetría de
una distribución de datos. De entre ellos pueden citarse los siguientes (Botella, 1993:170):
Los tres índices se interpretan de manera similar: si resultan ser números negativos, la curva
será asimétrica hacia la derecha, y si dan resultados positivos, la curva será asimétrica a la
izquierda. El resultado 0 (cero) indicará asimetría nula (simetría perfecta).
Existen otros muchos tipos de curvas: parabólicas, hiperbólicas, bimodales, etc, pero una
forma usual es la curva simétrica, llamada también curva normal o campana de Gauss.
Curtosis
La curtosis hace referencia a la forma de la curva de la distribución de datos en tanto muy
aguda (mayor apuntamiento o mayor curtosis: leptocúrtica) o muy aplanada (menor
apuntamiento o menor curtosis: platicúrtica).
Del mismo modo que sucede con la asimetría, también se han propuesto diversos índices de
curtosis. Si el índice es positivo, su apuntamiento es mayor que el de una distribución normal
y la curva será leptocúrtica, y si es negativo, su apuntamiento es menor y la curva será
platicúrtica (Botella, 1993).
NOTAS
(1) Según Botella (1993:49) la “distribución de frecuencias es un instrumento diseñado para cumplir
tres funciones: a) proporcionar una reorganización y ordenación racional de los datos recogidos; b)
ofrecer la información necesaria para hacer representaciones gráficas; y c) facilitar los cálculos
necesarios para obtener los estadísticos muestrales”.
(2) Cuando se confecciona una tabla de frecuencias por intervalos con la intención de elaborar gráficos o
medidas estadísticas a partir de ella, deben asumirse ciertos supuestos que implican un margen de
error, pero que son imprescindibles. Estos supuestos, llamados supuestos de concentración
intraintervalo, son dos. a) El supuesto de concentración en el punto medio del intervalo, según el cual
todos los valores de la variable son el mismo, a saber, el punto medio del intervalo. b) El supuesto de
distribución homogénea, según el cual “los valores incluidos en un intervalo se reparten con absoluta
uniformidad en su interior. Es decir, que si en un intervalo hay cinco observaciones [valores observados
en la variable] aceptaremos que sus valores son los que tendríamos si partiéramos al intervalo en cinco
subintervalos de igual amplitud y asignáramos a cada individuo el punto medio de un subintervalo”
(Botella, 1993:56).
(3) Hay quienes recurren a la fórmula de Sturges para calcular la cantidad de intervalos que resulta
deseable tomar en función del tamaño de la muestra. Esta fórmula es: Número de intervalos = 1 + (log
n / log 2), donde n designa el tamaño de la muestra. Por ejemplo, aplicando la fórmula para n = 40, la
cantidad deseable de intervalos es 6.3, con lo cual podrán elegirse entre 6 o 7 intervalos. Una vez
determinada la cantidad de intervalos, sólo resta dividir el tamaño de la muestra por 6 o 7, de lo que
resultará el tamaño de cada intervalo.
(4) Por ejemplo, las medidas de posición son aquellas que “caracterizan la posición de un grupo respecto
de una variable” (Kohan, 1994:69). Otras definiciones se refieren a la utilidad de estas medidas, y
entonces por ejemplo se definen como “índices diseñados especialmente para revelar la situación de una
puntuación con respecto a un grupo, utilizando a éste como marco de referencia” (Botella, 1993:83).
(5) Estrictamente hablando, ciertos cuantiles como el cuartil 2, el decil 5 y el percentil 50 resultan ser
medidas de tendencia central, ya que coinciden con la mediana.
(6) Estrictamente, dato y valor no son sinónimos, aunque aquí se emplearán indistintamente ambas
expresiones. El valor es uno de los componentes del dato: los otros dos son la unidad de análisis y la
variable.
(7) Botella (1993:105-111) describe seis propiedades de la media aritmética: 1) La suma de las
diferencias de n puntuaciones de la media aritmética, o puntuaciones diferenciales, es igual a cero. 2) La
suma de los cuadrados de las desviaciones de unas puntuaciones con respecto a su media es menor que
con respecto a cualquier otro valor. 3) Si sumamos una constante a un conjunto de puntuaciones, la
media aritmética quedará aumentada en esa misma constante. 4) Si multiplicamos una constante a un
conjunto de puntuaciones, la media aritmética quedará multiplicada por esa misma constante. 5) La
media total de un grupo de puntuaciones, cuando se conocen los tamaños y medias de varios subgrupos
hechos a partir del grupo total, mutuamente exclusivos y exhaustivos, puede obtenerse ponderando las
medias parciales a partir de los tamaños de los subgrupos en que han sido calculadas. 6) Una variable
definida como la combinación lineal de otras variables tiene como media la misma combinación lineal de
las medias de las variables intervinientes en su definición.
(8) Equivalencias entre cuantiles (Botella, 1993:89):
(9) “Para la varianza, las unidades son el cuadrado de las unidades de los datos. Estas unidades no son
intuitivamente claras o fáciles de interpretar. Por esta razón, tenemos que hacer un cambio significativo
en la varianza para calcular una medida útil de la desviación, que sea menos confusa. Esta medida se
conoce como la desviación estándar, y es la raíz cuadrada de la varianza. La desviación estándar,
entonces, está en las mismas unidades que los datos originales” (Levin y Rubin, 1996). La varianza
como tal se utiliza más frecuentemente en estadística inferencial (Pagano, 1998:77).
(10) “La raíz cuadrada de un número positivo puede ser tanto positiva como negativa. Cuando tomamos
la raíz cuadrada de la varianza para calcular la desviación estándar, los estadísticos solamente
consideran la raíz cuadrada positiva” (Levin y Rubin, 1996).
(11) La desviación estándar nos permite determinar, con un buen grado de precisión, dónde están
localizados los valores de una distribución de frecuencias con relación a la media. El teorema de
Chebyshev dice que no importa qué forma tenga la distribución, al menos 75% de los valores caen
dentro de + 2 desviaciones estándar a partir de la media de la distribución, y al menos 89% de los
valores caen dentro de + 3 desviaciones estándar a partir de la media.
Con más precisión:
Aproximadamente 68% de los valores de la población cae dentro de + 1 desviación estándar a partir de
la media.
Aproximadamente 95% de los valores estará dentro de + 2 desviaciones estándar a partir de la media.
Aproximadamente 99% de los valores estará en el intervalo que va desde tres desviaciones estándar por
debajo de la media hasta tres desviaciones estándar por arriba de la media (Levin y Rubin, 1996).
(12) Esto se debe a que “los especialistas en estadística pueden demostrar que si tomamos muchas
muestras de una población dada, si encontramos la varianza de la muestra para cada muestra y
promediamos los resultados, entonces este promedio no tiende a tomar el valor de la varianza de la
población, a menos que tomemos n–1 como denominador de los cálculos” (Levin y Rubin, 1996).
(13) El concepto de distribución de frecuencias es uno de los más básicos de la estadística descriptiva, y
hace referencia a un conjunto de valores de una variable ordenados de acuerdo con sus frecuencias. Las
distribuciones de frecuencias pueden expresarse en forma de tablas, gráficos, medidas de posición,
medidas de dispersión, de asimetría y de curtosis. Estas últimas cuatro medidas pueden considerarse
propiedades o características básicas de una distribución frecuencial.
Lectura
Estadística Básica
Estadística Básica
21/10/2008
Luis María Dicovskiy Riobóo
UNI Norte
Índice
Introducción ....................................................................................................................... 4
Unidad I. Estadística Descriptiva ....................................................................................... 4
Objetivos............................................................................................................................ 4
1.1 Introducción Unidad I ................................................................................................... 5
1.2 Análisis de datos ......................................................................................................... 6
Principios a utilizar al construir una Tabla de Distribución de Frecuencias, TDF. .......... 12
Gráficos ........................................................................................................................... 15
Gráficos Multivariados ..................................................................................................... 19
1.3. Medidas de Tendencia Central ................................................................................. 21
Media Aritmética .............................................................................................................. 22
La Mediana ...................................................................................................................... 23
La Moda .......................................................................................................................... 24
1.4 Medidas de Dispersión o de Variabilidad................................................................... 26
El Rango.......................................................................................................................... 27
El Desvío Estándar. ......................................................................................................... 28
La Varianza. .................................................................................................................... 30
El Coeficiente de variación .............................................................................................. 30
1.6 Otras medidas útiles en Estadística Descriptiva. ....................................................... 30
La Asimetría. ................................................................................................................... 31
La Curtosis. ..................................................................................................................... 31
1.7 Muestras y Población. ............................................................................................... 32
Muestreo Aleatorio Simple............................................................................................... 33
Muestreo Estratificado ..................................................................................................... 35
Muestreo por Conglomerados ......................................................................................... 36
Muestreo Sistemático ...................................................................................................... 36
Unidad 2. Teoría Elemental de Probabilidades ............................................................... 38
2.1 Introducción a las Probabilidades .............................................................................. 38
2.2 Términos Básicos. ..................................................................................................... 38
Objetivos.......................................................................................................................... 38
2
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Introducción
Este texto básico de estadística está diseñando y organizado en función del contenido
de la mayoría de los temas que se aborda en las asignaturas de Estadística I y
Estadística II que se imparte en las carreras de Ingeniería en Sistemas, Civil, Industrial
y Agroindustrial de la Universidad Nacional de Ingeniería, UNI, de Nicaragua. Sin
embargo por su forma sencilla y asequible con que se trató de abordar los diferentes
temas, este texto puede ser útil en cualquier otra carrera universitaria.
Este libro tiene un enfoque utilitario, práctico, respetando el principio que la Estadística
debe ser una herramienta fundamental para describir procesos y tomar decisiones en el
trabajo cotidiano de un Ingeniero. En el mismo se trató de romper la dicotomía entre
teoría y realidad, respondiendo permanentemente a la pregunta ¿Cuándo puedo usar
esta teoría? ¿Qué me permite conocer o responder la misma?
Objetivos
4
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
En general podemos hablar de dos tipos de estadísticas, las descriptivas que nos
permiten resumir las características de grandes grupos de individuos y las
inferenciales que nos permite dar respuestas a preguntas (hipótesis) sobre poblaciones
grandes a partir de datos de grupos pequeños o muestras.
5
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
modelo numérico teórico donde se estudian variables para describirlas y analizar sus
relaciones. Para hacer esto primero es necesario definir algunos términos teóricos.
Variable: es una característica observable de un objeto que varía, las variables
pueden ser: a) Cualitativas, en dos tipos nominales o ordinales ó b)
Cuantitativas, que pueden clasificarse en b1) continuas o medibles b2)
discretas o contables.
El rendimiento de un lote de fríjol se mide en qq/mz y es una variable continua, se
mide o pesa y el número de miembros de una familia es una variable discreta, se
cuenta. Al medir una variable se tienen “datos” cada dato ocupa una celda de una
matriz. En una encuesta (cuestionario) cada pregunta que se hace, genera al menos,
una variable generalmente discreta. Hay casos donde una pregunta puede generar
muchas variables de tipo dicotómico, SI- NO, que se suele codificar como 1= SI y 0=
NO.
Ejercicio 1.1: Definir 5 variables discretas, 5 variables continuas, 5 variables
cualitativas.
Ejercicio 1.2 Clasifique las siguientes variables.
Peso de un estudiante # de vainas de frijol por planta.
Diámetro de un casa Belleza de una flor.
Color de ojos Temperatura semanal.
Tipo de construcción Largo de peces de un estanque
6
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
miles datos reales que puede generar una encuesta de tamaño mediano. Es por ello
que el énfasis de la clase estará en la interpretación de resultados que en los
procedimientos de cálculo.
En este momento es importante poder definir el tipo de escala de medición usada para
agrupar los datos, en este sentido se pueden reconocer diferentes escalas:
7
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Un caso especial “La escala de Likert”, esta escala es muy usada en las ciencias
sociales y se usa para medir actitudes, “Una actitud es una predisposición aprendida
par responder consistentemente de una manera favorable o desfavorable ante un
objeto de sus símbolos”. Así las personas tenemos actitudes hacia muy diversos
objetos o símbolos, por ejemplo: actitudes hacia la política económica, un profesor, la
ley, nosotros, etc. Las actitudes están relacionadas con el comportamiento que
mantenemos. Estas mediciones de actitudes deben interpretarse como “síntomas” y no
como hechos. Esta escala consiste en un conjunto de ítem presentado en forma de
afirmaciones o juicios ante los cuales se pide reacción a los sujetos en estudio en una
escala de 5 puntos, cada punto tiene un valor numérico. Un ejemplo de cómo calificar
con afirmaciones positivas es ¿Le gusta cómo se imparte la clase de estadística?:
1- Muy en desacuerdo, 2- En desacuerdo, 3- Ni de acuerdo, ni en desacuerdo,
4- De acuerdo, 5-Muy de acuerdo.
8
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Si las opciones que genera una variable discreta permite hacer combinaciones
de las respuestas se sugiere crear muchas variables dicotómicas del tipo Si o No
(1,0). Veamos un ejemplo: Si se pregunta: que prácticas de en los cultivos
realiza un campesino, estas pueden ser varias y combinadas como: Insecticidas
Botánicos, Trampas amarillas, Barreras vivas, Semilla resistente etc. En este
9
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
caso lo que se hace es generar un variable del tipo 0-1 para cada opción de
práctica de cultivo, generando muchas variables en una sola pregunta.
Para crear una base de datos hay que recordar que está formando una matriz de datos
donde en la primera fila se tiene el nombre abreviado de la variable y en el resto de las
filas los datos para cada encuesta o individuo en estudio. Las variables cualitativas se
deben recodificar, veamos el siguiente ejemplo hipotético de 8 encuestas:
Ejercicio 1.4: Intente codificar numéricamente las respuestas que se generan a partir
de la encuesta de caracterización socioeconómica, que a continuación se detalla,
discuta las posibles respuestas, diga si las preguntas están bien formuladas, sugiera si
alguna de ellas está de más y que preguntas propone para completar la información.
10
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Hoja de Encuesta
Número de ficha___________
Fecha: ______________________________________________________
Primer Apellido_______________________________________________
Segundo Apellido______________________________________________
Nombres:_____________________________________________________
Año____________
Dirección: _____________________________________________________
Estado Civil: ____________
Número de personas que habitan la vivienda__________________________
Nivel de estudio de ellos__________________________________________
Edad de cada una de ellos_________________________________________
Profesión: _____________________________________________________
Ejercicio 1.5:
Defina variables para caracterizar a los estudiantes del curso con el objetivo de
determinar posibles causas que tengan influencia en el rendimiento académico
del grupo.
Cree una base de datos de al menos 25 individuos. Ver ejemplo.
Ejemplo de una matriz de datos generados con datos de estudiantes.
11
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
GENERACION DE DATOS
NOMBRE NOTAS EST EDAD ALTU SEXO PESO origen INGRE BE Opinión
Prom. ADO RA SO CA
CIVIL FAMI S
LIAR
Abel 74 2 25 1.75 1 140 2 1 0 3
Adely 70 2 18 1.55 2 110 1 1 0 3
Alexis 80 2 24 1.85 1 150 1 1 1 2
Aracely 70 2 20 1.54 2 117 1 1 1 4
Candelario 78 1 24 1.65 1 150 2 1 0 5
Carlos 85 2 19 1.8 1 150 1 2 0 5
Cesar 70 2 19 1.7 1 140 2 1 0 5
Cleotilde 75 1 20 1.5 2 112 1 1 1 1
Danny T 70 2 18 1.7 1 160 1 1 0 4
Danny 85 2 18 1.67 1 120 2 1 0 4
David N 77 2 18 1.63 1 135 1 1 0 2
Deice 75 2 20 1.52 2 110 1 1 1 3
Edwin 80 1 18 1.75 1 110 1 1 0 3
Ronal 80 2 21 1.73 1 160 2 1 0 3
Sara 80 2 17 1.6 2 114 2 1 0 2
Sayda 78 2 18 1.5 2 128 2 1 0 5
Seyla 75 2 20 1.7 2 120 1 1 1 5
Tania 90 2 19 1.65 2 130 2 1 0 4
Uriel 70 2 22 1.65 1 140 2 1 0 2
Yilmar 78 2 18 1.8 1 174 2 2 0 4
Lo primero para construir una TDF es definir el “número de clases” ó intervalos a crear
y el “intervalo o ancho” de cada intervalo. Para que los gráficos permitan visualizar
tendencias de la variable en estudios, el número de clases se recomienda que no sean
12
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
El valor central de una clase se llama “marca de clase”, este valor se usa para construir
los gráficos de polígonos de frecuencia. Veamos un ejemplo de cómo se construye una
Tabla de Distribución de Frecuencias. Es importante resaltar que con las variables
nominales no se construyen intervalos, límites ó marcas de clase, estos no tienen
sentido con este tipo de variable.
13
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
0.28
frecuencia relativa
0.21
0.14
0.07
0.00
1100 1200 1300 1400 1500 1600 1700 1800
C$
14
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 1.6 Realizar una tabla de frecuencias con una variable discreta (contable) y
una variable continua (medible) de la matriz generada con los datos obtenidos en clase.
Ejercicio 1.7. Realizar un gráfico de barras y un gráfico de Pastel a partir de los datos
recolectados.
Gráficos
Los gráficos nos permiten presentar la información que san los datos de manera
resumida y gráfica, fácil de entender. Los gráficos pueden ser univariados, bivariados y
multivariados, según el número de variables involucradas.
15
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
40
30
20
10
0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
Edad
16
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
otros
19%
primaria
45%
ninguno
15%
secundaria
21%
17
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
75.5
75.2
75.0
74.5
74.0
73.5
73.5
Nota Promedio
73.0
73.0
72.5
72.5
72.0
Matematica Contabilidad Programación Algebra
Asignatura
18
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
30
20
10
0
13 20 27 34 41 48 55 62 69 76
Gráficos Multivariados
Gráfico de Barras que incorpora 4 variables dicotómicas (si- no)
120
Este tipo de gráfico permite
100 resumir de manera muy
98
eficiente la información de
80
hasta 6 o 7 variables. Es
ideal para usar con
60
escalas de opinión como la
40 43 escala Likert o variables
30
dicotómica, SI y NO.
20
19
0
Escuela Cercana Agua Potable Teléfono
Electricidad Asistencia Médica
Gráfico De Barras,
Bivariado en Cluster o
19
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Agrupamientos
Gráfico bivariado, que se puede acompañar de una tabla cruzada de frecuencias y
porcentajes con una prueba estadística X2 de independencia.
50
46
40
41
30
20 23
19
13 Sexo
10
Porcentaje
9 8 varón
0 mujer
primaria secundaria univers itario solo lee
Nivel educativo
hijo/a
40
22 28
madre
20
padre
15
0 10 jefe de familia
varón mujer
Sexo
20
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Definición de estudio:
En matemática, el símbolo Griego “” en mayúscula se utiliza para indicar sumatoria de
datos donde:
𝑛𝑛
ͳ 𝑥𝑥𝑖𝑖 = x1 +x2 +x3 +x4 +.......+ xn
Siendo “x” un valor de una medición de la variable en estudio e “i” un índice que varía
de “1 a n “.El número de datos de la muestra se identifica con la letra“n”.
21
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Una de las medidas de tendencia central más común y útil es el promedio común o
“media aritmética”, pero también son de importancia, según las circunstancias y el tipo
de variables la “moda” y la “mediana”.
Media Aritmética
La media aritmética o simplemente media de un conjunto de mediciones es la medida
de tendencia central más usada y conocida. Esta medida se simboliza como x ( x con
raya ) cuando representa la media muestral y como (letra griega minúscula) para
representar la media poblacional. “ x ” o “” es la suma de todos los valores de la
muestra o población divididos por el número de casos. En el caso de la media muestral
esta es igual a : “ x x1 + x2 + x3 + .. xn / n “ donde “n” es el número de datos de la
muestra y “x” el valor numérico del dato. La fórmula simplificada de la media es:
n
“ x =( x i / n)” , donde
1
representa la letra griega sigma que en matemáticas es el
símbolo de sumatoria de datos, el subíndice “i” es un valor que varía desde “1” a “n”.
𝒏𝒏
Media Aritmética 𝟏𝟏 𝒙𝒙
𝒙𝒙 ൌ
𝒏𝒏
10
Media de notas de los estudiantes = 1
x i /10 = 761/10 = 76.1
La Mediana
La segunda medida de tendencia central es la mediana. La mediana “m” de un conjunto
de mediciones “x1 , x2, x3, ...., xn” es el valor de “x” que se encuentra en el punto medio
o centro cuando se ordenan los valores de menor a mayor.
Como “n” es par, la mediana es igual a la mitad entre la medición con rango “n / 2” y la
medición con rango “(n/2) +1”, donde “n / 2” = 5 y “(n /2) +1” )= 6.
El dato 5 vale 69 y el dato 6=79, entonces “la mediana” es igual a 69 + 79 / 2= 74
En este ejemplo la mediana es semejante a la media.
La Moda
La moda es la medida de tendencia central más fácil de calcular y también es la más
sujeta a fluctuaciones cuando cambian unos pocas valores de la distribución. Por esta
razón la moda se suele usar para una evaluación rápida de la tendencia central. La
moda se define como ”el valor más frecuente de una distribución”. En una tabla de
frecuencias, la frecuencia mayor es la que contiene a la moda. Esta medida se usa más
y tiene más sentido cuando se describen datos nominales, de hecho es la única medida
de tendencia central que funciona con este tipo de escala.
24
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
La mediana suele ser la medida preferida cuando se emplea una escala ordinal, estas
son las situaciones donde el valor asignado a cada caso no tiene otro significado más
que el indicar el orden entre los casos. Por ejemplo saber en una clase cuales alumnos
están dentro del 50% con mejores notas y cuales dentro del 50% con peores notas.
También se suele preferir la mediana cuando unos pocos valores extremos
distorsionan el valor del promedio. Por ejemplo si tengo 9 personas con 0 ingresos y
uno sola que tiene ingresos de 10 unidades, el promedio me puede dar a entender que
la mayoría recibe 1 unidad, cuando esto no es real.
La moda en ciertas condiciones puede ser la más apropiada, por ejemplo cuando se
quiere información rápida y cuando la precisión no sea un factor especialmente
importante. En ciertos casos solo esta medida tiene sentido por ejemplo en un equipo
de fútbol llevo la estadística por jugador (escala ordinal) de la cantidad de pases que
realiza por juego, esto para detectar quien es el que mejor distribuyendo la pelota, en
este caso la media y la mediana no tendrían significado, solo la moda.
No necesariamente una escala de medida nos debe decir que tipo de medida de
tendencia central debemos usar, pero si nos ayuda a determinar cual es la más
apropiada.
25
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
La Media Geométrica.
La Media Cuadrática.
Se construye a partir de suma de los cuadrados de un conjunto de valores. Su forma de
x12 x22 x32 ... xn2
cálculo es xc 2 , si tomamos los valores anteriores la
n
2 2 2 2
4 5 4 6
media cuadrática tiene el siguiente valor xc 2 4.81
4
Cuartiles, Deciles y Percentiles.
Cuartiles: si a un conjunto de datos se ordena de mayor a menor, el valor central es la
mediana, este valor divide el grupo, en dos subgrupos cada uno con el 50 % de los
datos. Si a cada subgrupo ordenado se le marca el valor central, tenemos así tres
valores seleccionados que llamaremos Cuartiles, Q1, Q2 y Q3. Estos valores dividen al
conjunto de datos en cuatro grupos con igual número de términos, cada cuartil contiene
el 25% de los datos. La mediana es el cuartil dos, Q2. Con los Cuartiles se construye un
26
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
gráfico especial, “el diagrama de caja”, este permite visualizar la variabilidad de los
datos por Cuartil.
Diagrama de
Carne consumida por año
18.7 caja
Los bordes de
14.9
la caja amarilla
son el Q1 y el
11.2
Kg
Mediana Q3.
7.5
3.7
El Rango.
El Rango, Recorrido o Amplitud de un conjunto de mediciones, “es la diferencia entre el
valor mayor y el valor menor”, indica el número necesario y mínimo de unidades, en la
27
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Cuanto más grande es el rango, mayor será la dispersión de los datos de una
distribución. Es adecuada para medir la variación de pequeños conjuntos de datos.
El Desvío Estándar.
El Desvío Estándar es la medida de dispersión más ampliamente usada y es la más
estable ya que depende de todos los valores de la distribución. Es el promedio de
desviación de los valores con respecto a al media, aunque una definición completa
sería: “la raíz cuadrada de la suma de las desviaciones alrededor de la media, elevadas
al cuadrado y divididas entre el número de casos menos uno” en el caso de “S”.
Cuando se trabaja con muestras el desvío estándar se simboliza con una “S” y con la
letra sigma minúscula “” cuando se usan datos de una población. Su fórmula de
cálculo tradicional es:
𝑁𝑁 𝑥𝑥𝑖𝑖 − Ɋ ʹ 𝑛𝑛 𝑥𝑥𝑖𝑖 − 𝑥𝑥 ʹ
𝜎𝜎 ൌ 𝑆𝑆 ൌ
ͳ 𝑁𝑁 ͳ 𝑛𝑛 − ͳ
28
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
“S”= ((55 76.1) 2 (62 76.1) 2 (67 76.1) 2 (68 76.1) 2 (69 76.1) 2 (79 76.1) 2
(88 76.1) 2 (89 76.1) 2 (92 76.1) 2 (92 76.1) 2 ) / 9
= 13.6
29
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
La Varianza.
La varianza es el desvío estándar elevado al cuadrado y se simboliza con “S 2” cuando
es muestral, o “2 cuando es poblacional. Este es una medida que se usa en muchas
pruebas de Hipótesis estadísticas, por ejemplo “el Análisis de Varianza, ANDEVA” que
se basa en la descomposición y relación de las varianzas de las causas de variación de
los datos. Pero para fines descriptivos se prefiere usar el desvío estándar en vez de la
varianza, que suele ser un valor mayor y difícil de interpretar.
El Coeficiente de variación
El coeficiente de variación, CV, es un cociente entre el desvío estándar y la media de
Cabe destacar que al describir nuestros datos, debemos interpretar nuestros datos de
tendencia central y de variabilidad en conjunto y no de manera separada. Con la media
y el desvío estándar se pueden construir intervalos donde supongo están la mayoría de
los datos en el caso que la distribución sea normal. La moda, mediana y el rango
pueden completar la información sobre la distribución y así tener una buena idea de lo
que sucede con la variable en estudio.
30
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
La Asimetría o Sesgo.
La Asimetría es una medida necesaria para conocer cuánto se parece nuestra
distribución a la distribución teórica de una “curva normal”, curva con forma de
campana, y constituye un indicador del lado de la curva donde se agrupan las
frecuencias. Esta medida se construye con el valor medio, la mediana y el desvió
estándar. Si el valor del sesgo es cero (asimetría = 0), la curva de distribución es
simétrica, en este caso coinciden los valores de la media, la mediana y la moda.
Cuando es positiva, el promedio es mayor que la mediana, quiere decir que hay valores
agrupados hacia la izquierda de la curva, por debajo del valor de la media. Cuando es
negativa, la media es menor a la mediana, significa que los valores tienden a agruparse
hacia la derecha de la curva, por encima de la media.
( X Moda )
Su forma de cálculo original es: Sesgo pero como
S
aproximadamente se cumple que “Media – Moda = 3 (Media-Mediana)”, se usa la
siguiente forma de cálculo práctico del sesgo:
3( X Me)
Sesgo
S
La Curtosis.
La curtosis es una medida que indica o mide lo plano o puntiaguda que es una curva de
distribución. Cuando esta es cero, curtosis = 0, significa que se trata de una curva
Normal. Si es positiva, quiere decir que la curva o distribución o polígono es más
puntiaguda o levantada que la curva normal (curva leptocúrtica). Si es negativa quiere
decir que es más plana (curva mesocúrtica).
31
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
(x
i 1
i x) 4
Curtosis n
S4
Definición:
Las medidas calculadas a partir de la población, Ej. “” y “” se llaman
PARÁMETROS
Ejercicio 1.8:
Tomando como fuente de datos las variables continuas recolectadas a partir de los
datos que generen los estudiantes en clase debe construir
Medidas de tendencia central: medias, modas, medianas,
Medidas de dispersión: desviación estándar y rango
distribución de frecuencias
32
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
33
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Cálculo de “n” Gráficamente: Se sabe que a más grande la muestra mejor ésta
estima el promedio de la población, sin embargo hay un momento que el promedio que
se calcula a partir de la muestra casi no cambia, aunque ésta aumente de tamaño, en
ese momento el tamaño de la muestra comienza a ser óptimo.
77
nota
75
72
70
p1 p2 p3 p4 p5 p6 p7 p8 p9 p10 p11 p12 p13 p14 p15
promedio
34
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Muestreo Estratificado
El muestreo aleatorio simple debe utilizarse cuando los elementos de la población son
homogéneo respecto a las características a estudiar, es decir a priori no conocemos
que elementos de la población tendrán valores altos de ella. Cuando dispongamos de
información sobre la población conviene tenerla en cuenta al seleccionar la muestra.
Un ejemplo clásico son las encuestas de opinión, donde los elementos (personas) son
heterogéneas en algunas variables como: sexo, edad, profesión, etc. Interesa en estos
casos que la muestra tenga una composición análoga a la población, lo que se
consigue mediante una muestra estratificada.
Una forma sencilla para dividir el tamaño total de la muestra “n” entre los estratos de
“ni” es por el Método Proporcional, el cual toma en cuenta el tamaño relativo del estrato
de la población, por ejemplo si en la población hay un 55 % de mujeres y un 45 % de
hombres, mantendremos esta proporción de la muestra. En general se hará de la
manera “ni= *Ni/N”.
35
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Muestreo Sistemático
Cuando los elementos de la población están en una lista o un censo, se puede utilizar
el muestreo sistemático. Supongamos que tenemos una población de tamaño “N” y se
36
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
desea una muestra de tamaño “n” y sea “K” un valor entero más próximo a la relación
“n/N”. La muestra sistemática se toma eligiendo al azar, con números aleatorios, un
elemento entre los primeros “K” elementos y se denomina “n1”. El muestreo se realiza
seleccionando los elementos “(n1 + K) ; (n1 + 2 K), etc” a intervalos fijos de “K” hasta
completar la muestra. Si el orden de los elementos en la lista es al azar, este
procedimiento es equivalente al muestreo aleatorio simple, aunque resulta más fácil de
llevar a cabo sin errores.
Si el orden de los elementos es tal que los más próximos tienden a ser más semejantes
que los alejados, el muestreo sistemático tiende a ser más preciso que el aleatorio
simple al cubrir más homogéneamente toda la población.
Tarea:
Suponga que quiere conocer la opinión de una comunidad donde hay 50
personas adultas, N = 50. ¿Cuál es la es tamaño de “n” mínimo a calcular?
¿Cuál sería el valor de “n” con una ciudad de 50,000 habitantes?
Discuta que método de muestreo usaría si quiere estudiar la opinión de la gente
de 12 comunidades semejantes en cuanto a su nivel de vida y forma de producir
la tierra.
Bibliografía consultada:
37
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
39
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Por ejemplo si la Probabilidad de obtener cara al arrojar una moneda es 0.5, P(cara) =
0.5, la probabilidad que al arrojar dos veces la moneda salgan dos caras, ya que
ambos eventos son independientes, uno no influye sobre otro, la P(cara, cara) es de
“0.5 x .05 = 0.25”
Una paradoja es que una persona que compra todas las semanas la lotería, para un
sorteo dado, tiene la misma probabilidad de sacar el premio mayor que una persona
que compró un número por primera vez
Tarea: estimar la probabilidad que al elegir por sorteo dos estudiantes del grupo,
ambos sean varones. Determinar también cuales eventos forman “ ”es este caso.
Regla de la Suma.
Para que dos eventos “A” y ”B” se puedan sumar directamente, estos deben se
incompatibles, es decir ellos no pueden ocurrir al mismo tiempo. P(A B) = 0
La probabilidad que ocurra “A” ó “B” para eventos incompatibles “A” y “B” es P(A ó B) =
P (A) + P (B) = P(A B)
Si los eventos no son incompatibles P(A B) = P (A) + P (B) - P(A B). Esta sería la
regla general de la suma de probabilidades.
40
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
En el ejemplo de arrojar dos veces una moneda al aire, la probabilidad que salga una
vez cara y el otro sol sin importar el orden, es la probabilidad de los eventos “cara, sol”
y “sol, cara”. Debido a que son cuatro los eventos posibles “ ”= cara –cara, sol – cara,
cara – sol y sol-sol y cada uno con igual probabilidad, cada uno de esto eventos tiene
una P = 0.25, de ocurrencia. Por lo tanto la ocurrencia de “cara-sol” más “sol – cara”es
de “P (c, s) + P (s,c)”), que en valore de probabilidades es de P (0.25) + P (0.25) = 0.5
2.4 Probabilidad condicionada
𝑃𝑃ሺ𝐴𝐴∩𝐵𝐵ሻ
𝑃𝑃 𝐴𝐴̳𝐵𝐵 ൌ Si p (B) ≠ 0
𝑃𝑃ሺ𝐵𝐵ሻ
La condición que P(B) > 0, esto es necesario para una buena definición de probabilidad
condicional. Es de notar que si A y B son sucesos independientes, la P(A\B) es igual a
la P(A).
Ejemplo:
41
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
1-5 veces 50 25 75
Más de 5 veces 20 15 35
Total 100 50 150
Si de un grupo de jóvenes del bar de la universidad, se selecciona al azar un
estudiante varón ¿Cuál es la probabilidad que ese que ese joven halla consumido más
de 5 gaseosas por semana? En este problema ya no es necesarios conocer el número
total de estudiantes, porque al seleccionar a un individuo del sexo masculino, los
individuos del sexo femenino no son tomados en cuenta. Entonces se puede definir la
probabilidad deseada como ¿Qué probabilidad existe de que un individuo beba más de
5 gaseosas a la semana dado que el individuo seleccionado sea varón? Esta es una
probabilidad condicional y se resuelve de la siguiente manera:
𝑃𝑃ሺ𝐶𝐶ͷ ∩𝑆𝑆𝑣𝑣 ሻ
P(C+5\Sv) = = (20/150) / (100/150) = 20/100= 0.2, donde “C” es por
𝑃𝑃ሺ𝑆𝑆𝑣𝑣 ሻ
Ejercicio 2.1
Si se tiene una escuela de 200 alumnos distribuidos en tres aulas y por sexo: mujer M,
y varón, V; como sigue:
Aula/ Sexo Varón Mujer
A 20 20
B 30 30
C 56 44
Total 106 94
¿Cuál es la probabilidad que un estudiante, sin importar el sexo, sea del aula B?
¿Cuál es la probabilidad que un estudiante sea del aula A, si el estudiante es mujer?
Ejercicio 2.2
42
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
En un aula hay 6 estudiantes realizando un examen, dos son mujeres y cuatro son
varones. ¿Cuál es la probabilidad que finalice una mujer de segunda dado que el
primero en finalizar fue un hombre?
Si la solución es:
𝑃𝑃ሺ𝑀𝑀 ∩ 𝑉𝑉ሻ ͺȀ͵Ͳ ʹ
𝑃𝑃 𝑀𝑀̳𝑉𝑉 ൌ ൌ ൌ
𝑃𝑃ሺ𝑉𝑉ሻ ͶȀ ͷ
¿Explicar cómo se construyeron los valores 8/30 y 4/6?
A1 A2
An
43
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
A1 A2
B
An
𝒏𝒏
Si los sucesos Ai son una partición y B un suceso tal que p (B) 0 y para i= 1,2,..n,
como lo visto en la teoría de Probabilidad Total
̳ ሺ ሻ
𝑃𝑃 𝐴𝐴𝑖𝑖 ̳𝐵𝐵 ൌ
ൌͳ ̳ ሺ ሻ
Ejercicio resuelto:
44
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
a. Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por la
propiedad de la probabilidad total,
45
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
PB .PD / B
P B / D
P A.PD / A PB .PD / B PC .PD / C
0.300.04
12
0.316
0.450.03 0.30.04 0.250.05 38
P A / D
0.450.03
135
0.355
0.450.03 0.30.04 0.250.05 380
PC / D
0.250.05
125
0.329
0.450.03 0.30.04 0.250.05 380
46
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
m!
Cm.n
n!(m n)!
10! 10.9.8.7.6.5.4.3.2.1
C10,4 210
4!(10 4)! (4.3.2.1)(6.5.4.3.2.1)
47
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Permutaciones:
La expresión "Pm,n" representa las variaciones de "m" elementos, formando subgrupos
de "n" elementos. En este caso, un subgrupo se diferenciará del resto, bien por los
elementos que lo forman, o bien por el orden de dichos elementos. Para calcular el
número de permutaciones se aplica la siguiente fórmula:
m!
Pm.n
(m n)!
10! 10.9.8.7.6.5.4.3.2.1
P10,4 5,040
(10 4)! 6.5.4.3.2.1
48
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
Hasta esta unidad nos hemos ocupado de descripciones de muestras usando tablas,
gráficos y medidas como la media y la varianza. Pero generalmente nuestro interés va
más allá que una simple descripción, suele haber interés en tratar de generalizar los
resultados de la muestra hacia el grupo total, es decir la Población.
Hoy en día los modelos estadísticos teóricos son frecuentemente utilizados para
observar y comprender fenómenos naturales que implican el estudio de variables o
características de poblaciones naturales. El instrumento conceptual que permitirá esta
generalización es un modelo de la población, es decir una representación simbólica de
su comportamiento. Los modelos estadísticos van a actuar de puente entre lo
observado, la muestra y lo desconocido, la población.
49
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
50
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia
de una presentación a otra, sin seguir una secuencia predecible. Los valores de una
variable aleatoria son los valores numéricos correspondientes a cada posible resultado
de un experimento aleatorio.
Una variable aleatoria asocia un número o más generalmente una característica a todo
resultado posible del experimento. Por ejemplo, si consideramos el experimento que
consiste en realizar mediciones de la concentración de un producto en una solución,
nos interesa la variable aleatoria X= “valor medido de la concentración de azúcar en
una salsa.” Otro ejemplo de variable aleatoria asociada a un proceso de fabricación, al
experimento de escoger un elemento producido, y considerar la variable aleatoria X=
“duración de vida hasta el fallo”.
51
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Definimos la variable aleatoria. X: número varones nacidos, la cual puede tomar los
valores {0, 1, 2, 3}. Se buscan todos sucesos de la muestra que dan lugar a cada valor
de la variable y a ese valor se le asigna la probabilidad del suceso correspondiente.
x Sucesos px
0 {ñññ} 1/8
3 {vvv} 1/8
Sin embargo para las variables continuas la probabilidad de que una variable tome
cualquier valor concreto es 0, por lo tanto la fdp sólo permite calcular la probabilidad
para un intervalo del tipo (a<X<b), mediante el área bajo la curva de la fdp.
52
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
X f(x) F(x)
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 8/8
a
En variables continuas F(X) = P(X < a) = f ( x)dx
53
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
x E ( x) xf ( x) Caso discreto
x E ( x) xf ( x)dx Caso continuo
Si X es una variable aleatoria cualquier función de ella, h(x), es también una variable
aleatoria, en consecuencia también se define este parámetro para una función de
variable aleatoria.
x Eh( x) h( x) f ( x)dx Caso continuo
Ejemplo: Se tira un dado. Se define como variable aleatoria el número que sale ¿Cuál
es su media?
La variable X puede tomar los valores 1, 2, ..., 6 y para todos ellos f(x) = 1/6. En
consecuencia la media es
6
1 1 1
x xf (x) 1 6 2 6 .... 6 6 3.5
x 1
54
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Si se define ahora una nueva función sobre X: el premio: si sale 1 ó 2 se gana 100 C$,
si sale 3 se gana 500 y si sale 4, 5 ó 6 no se gana nada
X h(x)
1 100
2 100
3 500
4 0
5 0
6 0
6
1 1 1
x h( x) f (x) 100 6 100 6 500 6 0 0 0 116.6
x 1
Ejercicio 3.1: En los casino el juego de ruleta mesa tiene 38 números, esto incluye el
número 0 y doble 00. Si usted apuesta a una moneda a un número y gana, el casino le
paga 36 monedas. ¿Este es un juego justo? Justificar la respuesta.
Varianza:
55
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Se define como:
x2 E x x 2
Aunque para el cálculo se suele usar esta otra fórmula equivalente:
x2 E ( x 2 ) x 2
¿Qué mide la varianza? Mide la dispersión de la variable alrededor de la media.
x2 E ( x 2 ) x 2 = 0 2
* 1/8 + 12 * 3/8 + 22 * 3/8 + 32 * 1/8 – (3/2)2 = ¾
2
x x 3 / 4 0.866
56
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
1
P( x E ( x) a )
a2
Para una variable “x” con media y desviación estándar , que está normalmente
distribuida, escribimos: “x” es N ( , ).
(x)2
1 2
f ( x) e 2
2
57
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
20
10
Frecuencia
0
5 10 15 20 25 30 35 40 45 50 55 60 65 70
xi
zi 58
Estadística I
s Luis María Dicovskiy Riobóo
UNI Norte
Luego con una tabla normal tipificada es fácil determinar probabilidades por intervalos
para diferentes valores de la variable “x”. Esta distribución funciona relativamente bien
para hacer probabilidades cuando se tiene más de 30 datos, y estos tienen una
distribución en forma de campana. A continuación se observa un gráfico de una
distribución normal tipificada (0,1) donde está sombreado un intervalo de 1.96
desvió estándar.
0.30
Densidad
0.20
0.10
0.00
-3.00 -2.00 -1.00 0.00 1.00 2.00 3.00
Variable
𝑍𝑍ʹͺ ൌ ʹͺ − ʹͳ ͵Ǥʹ ൌ ʹǤͳͺͷ , se debe buscar la P(zi ≥ 2,1875) en una tabla normal
tipificada que resulta como 0.5 - 0.4854 (el valor de tabla) = 0.14 . Este problema se
puede resolver gráficamente usando el programa INFOSTAT, con el módulo
aplicaciones didácticas.
59
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Función de densidad
Normal(21,10.24): p(evento)=0.0144
0.13
0.09
Densidad
0.06
0.03
0.00
5.00 13.00 21.00 29.00 37.00
Variable
El área sombreada es la respuesta, que un estudiante tenga más de 28 años y tiene
una probabilidad de 0,014.
Ejercicio 3.3 La estatura de una población tiene una distribución normal con media de
170 cm y una desviación estándar de 7.60
¿Cuál es la probabilidad que una persona seleccionada de este grupo tenga una
estatura entre 165 y 180?
Ejercicio 3.4 Una población de niños en edad escolar tiene una media de 11.5 años y
un desvío estándar de 3 años. ¿Cuál es la probabilidad de que un niño sea entre 8.5 y
14.5 años, más de 10, y menos de 12?
Ejercicio 3.6 Se producen quesos con un diámetro es 35cm y se acepta una varianza
de 0.1 cm2. Si por problemas de envase se rechaza productos con diámetros menores
a 34.5cm y mayores a 35.5 ¿Cuál es la probabilidad de rechazo de la producción por
problemas de envase?
60
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
61
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
n=10
0.30
Densidad
n=1
0.20
0.10
0.00
-5.00 -2.50 0.00 2.50 5.00
Variable
Se observa que a más datos, la campana es más alta, con valores menos dispersos y
semejante a una curva Normal.
Ejercicio 3.7 Si consideramos los datos del ejercicio 3.2 de una distribución Normal,
donde ahora 𝑥𝑥 = 21 años y S = 3.2 años, pero obtenidos de una muestra de 30
alumnos y no de la población de estudiantes, la probabilidad que un estudiante tenga
más de 28 años calculada con el módulo aplicaciones didácticas de INFOSTAT es de
0.018, levemente mayor que el valor 0.014 calculado con la distribución normal
tipificada Se puede a continuación observar el gráfico de densidad de una “t” con 29
grados de libertad, n-1, donde se muestra la probabilidad de un valor de “t” mayor a
2.1875, el valor Z28 antes calculado.
62
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
0.3
Densidad
0.2
0.1
0.0
-3.00 -1.50 0.00 1.50 3.00
Variable
X n2 z12 ....z n2
Es decir elevamos los “n” valores generados al cuadrado y los sumamos. Si aplicamos
este procedimiento muchas veces, obtendremos la distribución de una variable que
solo depende del número de sumandos. Esta distribución se denomina X 2 con “n”
grados de libertad. Esta distribución no posee valore negativos por ser creada a partir
de suma de valores cuadrados.
63
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
0.24
0.18
Densidad
0.12
0.06
0.00
0.00 3.81 7.62 11.44 15.25
Variable
X n2
Fn, m n
Xm 2
m
H 0 : x1 , x 2 .... x n
64
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
0.5
Densidad
0.3
0.2
0.0
0.00 4.14 8.29 12.43 16.57
Variable
3. 7 La distribución Binomial.
Se usa con variables discretas, es decir cuyos valores son contables. Este modelo se
aplica a poblaciones finitas de las que tomamos elementos al azar con
reemplazamiento y también a poblaciones conceptualmente infinitas, como son piezas
que generara una máquina, siempre que el proceso generador sea estable (proporción
de pieza defectuosas constante a largo plazo) y sin memoria (el resultado en cada
momento es independiente de lo previamente ocurrido).
65
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Generalizando, la variable binomial posee siempre 2 eventos, por ejemplo “A” y “B”. Se
define como “r”:
Conociendo que:
“p” es la probabilidad de ocurrencia del evento A
“q” es la probabilidad de ocurrencia del evento B
Por lo tanto la probabilidad de encontrar “r” elementos que cumplen el evento “A” luego
de “n” repeticiones del experimento, se define como P ( r ):
n r n r
P(r)= p q siendo r = 0, 1, ..., n
r
n
Siendo las posibles combinaciones de ocurrencia de “r” en “n” experimentos y esto
r
se resuelve de la siguiente manera:
n
n!/ r!(n r )!
r
66
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Una distribución binomial B(n,p) se parece a una normal tanto más cuanto mayor es el
producto n * p (o n * q si q<p, siendo q=1-p). Cuando “n * p” y “n * q” superan el valor 5,
la aproximación es casi perfecta.
En estas condiciones:
12
Donde 12!/ 5!(12 5)! = 792
5
67
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 3.8 El Ministerio del Trabajo reporta que 20% de la fuerza de trabajo en un
pueblo está desempleada. De una muestra de 14 trabajadores, calcule las siguientes
probabilidades con la fórmula de la distribución binomial (n=14, p=0.2): Resuelva:
1. Tres están desempleados: P(x=3)=.250
2. Al menos un trabajador está desempleado:
P(x 1) = 1 - P(x=0) =1 - .044 = .956
3. A lo más dos trabajadores están desempleados:
P(x 2)=.044 +.154 +.250 =.448
Ejercicio 3.9. Si el 20% de las piezas producidas por una máquina son defectuosas,
¿cuál es la probabilidad de que entre cuatro piezas elegidas al azar, a lo sumo 2 sean
defectuosas?
68
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
xe
P( x)
x!
Donde u es la media aritmética del número de ocurrencias en un intervalo específico de
tiempo, e es la constante 2.71828 y “x” es el número de ocurrencias.
El número medio de éxitos “u” se puede determinar en situaciones binomiales por “n p”,
donde “n” es el número de ensayos y p la probabilidad de éxito. La varianza de la
distribución de Poisson también es igual a “n p”.
69
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 3.12. Se calcula que en la ciudad el 20% de las personas tienen afición a
mirar TV de noche, si tomamos una muestra de 150 personas al azar ¿ Calcular la
probabilidad de que 10 de ellos tengan el hábito de mirar TV de noche.
Ejercicio 3.14 En promedio, cada una de las 18 gallinas de un gallinero pone 0.5
huevos al día. Si se recogen los huevos cada 8 horas.
¿Cuál es el número medio de huevos que se recogen en cada visita? ¿Con qué
probabilidad encontraremos x huevos para x = 0,1, 2, 3? ¿y la probabilidad de que x ≥
4?
70
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
71
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
72
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
IC 95 % = x 1.96 ( s / n )
IC 95 % = x “t95” ( s / n 1) ,
Donde “t” es el valor dado por la distribución “t” de Student con “n-1” Grados de
Libertad, para un 95 % se busca el valor del “t” 0.975, ya que esta es una prueba de
dos colas.
El gráfico de IC 95 % se usa cuando se cruza una variable discreta que genera grupos,
con una variable continua. En este gráfico se observan los promedios de cada grupo
con sus intervalos de confianza al 95 %, estos en forma de dos rayas. Veamos un
ejemplo de este tipo.
73
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
49
48
47
46
45
44
43
42
Ho mbre Mujer
Sexo
Una hipótesis estadística es una asunción relativa a una o varias poblaciones, que
puede ser cierta o no. Las hipótesis estadísticas se pueden contrastar con la
información extraída de las muestras y tanto si se aceptan como si se rechazan se
puede cometer un error.
74
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
H0 cierta H0 falsa
H1 cierta
H0 rechazada Error tipo I ( ) Decisión correcta (*)
H0 no rechazada Decisión correcta Error tipo II ( )
(*) Decisión correcta que se busca
H0: θ = θ0
75
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Obsérvese que, de esta manera, se está más seguro cuando se rechaza una hipótesis
que cuando no. Por eso se fija como H 0 lo que se quiere rechazar. Cuando no se
rechaza, no se ha demostrado nada, simplemente no se ha podido rechazar. Por otro
lado, la decisión se toma en base a la distribución de la muestra en H0.
Esta es una prueba que permite contrastar si una muestra de una variable difiere
significativamente de un promedio poblacional dado o no. Generalmente este promedio
es histórico.
76
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
x
tc
s/ n
Ejemplo: Históricamente la edad de los alumnos que entran a primer año de la
Universidad es de 18 años. Se quiere saber si para el año que viene la edad de ingreso
será la misma a la histórica, para estudiar esto se tomó una muestra de 36 estudiantes
del último año de secundaria y se calculó la edad de ingreso a la universidad. En
función de los datos observados surge la hipótesis de que la edad de los estudiantes es
mayor que 18 años. La muestra de 36 sujetos dio los siguientes datos:
x = 18.5 S=3.6
Se trata de un contraste sobre medias. La hipótesis nula (lo que queremos rechazar)
es:
H0: µ= 18
La hipótesis alternativa
H1: µ> 18
77
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
18.5 18
"tc " 0.82
3.6
36 1
No está en la región crítica (no es mayor que 1,69), por tanto no rechazamos H 0,
concluimos que la edad histórica de ingreso se mantiene.
Esta es una prueba “t” para muestras relacionadas, donde pretendemos contrastar las
medias de una misma muestra que se ha medido dos veces en los mismos sujetos, por
ejemplo si en grupo de estudiantes queremos comparar el resultado del primer examen
parcial de una asignatura con el del segundo parcial, se pretende saber si estos
promedios difieren o no.
El estadístico de contraste es
d
tc
Sd / n
Donde d es el promedio de las diferencias de los datos repetidos, S d es la desviación
estándar de las diferencias. “n” es el número de pares (diferencias).
Esta es una prueba de hipótesis muy usada cuando se tienen dos grupos y se quiere
saber si estos tienen un mismo promedio poblacional.
78
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
Hay diferentes tipos de prueba “t”, pero suponiendo varianzas iguales, el estadístico a
calcular se hace:
X1 X 2
" tc "
S12 S 22
n1 1 n2 1
Ejemplo
Como no conocemos como son las varianzas entre sí, el modelo nos obliga a verificar
si la varianzas son iguales, si fueran distintas es otra la prueba “t” a realizar. Para ello
se debe plantear primero un contraste de prueba de hipótesis de variancias. Si las
variancias son iguales se sigue con la prueba “t” que se presenta, sino se debe hacer
otra variante de prueba “t” de más difícil cálculo.
Hipótesis de Variancias
H 0 : T2 P2 H1 : T2 P
2
2 2
El estadístico es de contraste es una prueba “F”= S P / ST 13.9 / 12.8 1.09 , como el
valor “F” de tabla es 1.74, en consecuencia aceptamos la H0 y concluimos que las
varianzas son iguales. Luego se hace la prueba de hipótesis de promedios con el
estadístico antes detallado.
79
Estadística I Luis María Dicovskiy Riobóo
UNI Norte
15.1 3.7
" t" 13.28
13.9 P 12.8T
35 1 40 1
Se concluye que se rechaza la H0 , ya que el valor “t” calculado es mayor que el valor
de tabla con n1 + n2 – 2 , 35 + 40 -2 = 73 grados de libertad. Con estos grados de
libertad y con un alfa del 5% bilateral (2.5 % de rechazo en cada extremo) el valor “t” es
de 2.0, valor menor que 13.28. Concluimos que los promedios de años de vida útil de
los dos productos son distintos.
80
Estadística I Luis María Dicovskiy Riobóo