Semana 1

Fundamentos de Estadística

Lectura
Fundamentos de Estadística

Cazau, P. (2006). Fundamentos de Estadística. Buenos

Aires: Universidad de Buenos Aires. Capítulos 1 y 2.
Material compilado con fines académicos, se prohíbe su
reproducción total o parcial sin la autorización de cada autor.
Fundamentos de Estadística
Pablo Cazau
Prefacio

Capítulo 1: Introducción a la estadística

1.1 Definición y utilidad de la estadística
1.2 Clasificaciones de la estadística
1.3 Población y muestra
1.4 Estructura del dato
1.5 La medición

Capítulo 2: Estadística descriptiva

2.1 Generalidades
2.2 Ordenamiento y agrupación de los datos: matrices y tablas
2.3 Visualización de los datos: gráficos
2.4 Síntesis de los datos: medidas estadísticas de posición
2.5 Síntesis de los datos: medidas estadísticas de dispersión
2.6 Síntesis de los datos: asimetría y curtosis
Notas

Capítulo 3: Probabilidad y curva normal

3.1 El concepto de probabilidad
3.2 Definición y características de la curva normal
3.3 Puntajes brutos y puntajes estandarizados
3.4 Aplicaciones de la curva normal
Notas

Capítulo 4: Correlación y regresión

4.1 Introducción
4.2 El análisis de correlación
4.3 Cálculo gráfico de la correlación
4.4 Cálculo analítico de la correlación
4.5 Un ejemplo: construcción y validación de tests
4.6 El análisis de regresión
4.7 Cálculo analítico de la regresión
4.8 Cálculo gráfico de la correlación
Notas

Capítulo 5: Estadística inferencial

5.1 Introducción
5.2 Estimación de parámetros
5.3 Prueba de hipótesis
5.4 Ejemplos de pruebas de hipótesis
5.5 El concepto de significación estadística
Notas

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.

Todos los derechos reservados

CAPÍTULO 1: INTRODUCCION A LA ESTADISTICA

1.1 DEFINICIÓN Y UTILIDAD DE LA ESTADÍSTICA

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‟.

1.2 CLASIFICACIONES DE LA ESTADÍSTICA

Existen varias formas de clasificar los estudios estadísticos.

1) Según la etapa.- Hay una estadística descriptiva y una estadística inferencial. La primera etapa se
ocupa de describir la muestra, y la segunda etapa infiere conclusiones a partir de los datos que describen
la muestra (por ejemplo, conclusiones con respecto a la población).
Tanto la estadística descriptiva como la estadística inferencial se ocupan de obtener datos nuevos. La
diferencia radica en que la estadística descriptiva procede a resumir y organizar esos datos para facilitar
su análisis e interpretación, y la estadística inferencial procede a formular estimaciones y probar hipótesis
acerca de la población a partir de esos datos resumidos y obtenidos de la muestra. Puesto que estas
últimas operaciones llevarán siempre a conclusiones que tienen algún grado de probabilidad, la teoría de
la probabilidad constituye una de sus herramientas principales. Téngase presente que en sí misma la
teoría de la probabilidad no forma parte de la estadística porque es otra rama diferente de la matemática,
pero es utilizada por la estadística como instrumento para lograr sus propios objetivos.
La estadística descriptiva también incluye –explícita o implícitamente- consideraciones probabilísticas,
aunque no resultan ser tan importantes como en la estadística inferencial. Por ejemplo, la elección de un
determinado estadístico para caracterizar una muestra (modo, mediana o media aritmética) se funda
sobre ciertas consideraciones implícitas acerca de cuál de ellos tiene más probabilidades de representar
significativamente el conjunto de los datos que se intenta resumir.
Tanto la estadística descriptiva como la inferencial implican, entonces, el análisis de datos. “Si se realiza
un análisis con el fin de describir o caracterizar los datos que han sido reunidos, entonces estamos en el
área de la estadística descriptiva… Por otro lado, la estadística inferencial no se refiere a la simple
descripción de los datos obtenidos, sino que abarca las técnicas que nos permiten utilizar los datos
muestrales para inferir u obtener conclusiones sobre las poblaciones de las cuales fueron extraídos dichos
datos” (Pagano, 1998:19).
Kohan, por su parte, sintetiza así su visión de las diferencias entre ambos tipos de estadística: “Si
estudiamos una característica de un grupo, sea en una población o en una muestra, por ejemplo talla,
peso, edad, cociente intelectual, ingreso mensual, etc, y lo describimos sin sacar de ello conclusiones
estamos en la etapa de la estadística descriptiva. Si estudiamos en una muestra una característica
cualquiera e inferimos, a partir de los resultados obtenidos en la muestra, conclusiones sobre la población
correspondiente, estamos haciendo estadística inductiva o inferencial, y como estas inferencias no
pueden ser exactamente ciertas, aplicamos el lenguaje probabilístico para sacar las conclusiones”
(Kohan, 1994:25). Kohan emplea la palabra inductiva porque las inferencias realizadas en este tipo de
estadística son razonamientos inductivos, modernamente definidos como razonamientos cuya conclusión
es sólo probable.
2) Según la cantidad de variables estudiada.- Desde este punto de vista hay una estadística univariada
(estudia una sola variable, como por ejemplo la inteligencia), una estadística bivariada (estudia la
relación entre dos variables, como por ejemplo inteligencia y alimentación), y una estadística
multivariada (estudia tres o más variables, como por ejemplo como están relacionados el sexo, la edad y
la alimentación con la inteligencia).
El siguiente esquema ilustra la relación entre dos clasificaciones de la estadística: descriptiva / inferencial
y univariada / bivariada.

Parámetros POBLACION x y

Estadísticos x y

MUESTRA

x1 x2 xn x1 y1

Una variable Dos (o más) variables

La estadística descriptiva se ocupa de muestras, y la estadística inferencial infiere características de la

población a partir de muestras.
A su vez, ambas etapas de la estadística pueden estudiar una variable por vez o la relación entre dos o
más variables. Por ejemplo, a) en el caso de la estadística univariada, el cálculo de medidas de posición y
dispersión en una muestra corresponde a la estadística descriptiva, mientras que la prueba de la media
corresponde a la estadística inferencial; b) en el caso de la estadística bivariada, el análisis de correlación
de variables en una muestra corresponde estrictamente hablando a la estadística descriptiva, mientras
que el análisis de regresión o las pruebas de hipótesis para coeficientes de correlación (Kohan N,
1994:234) corresponden a la estadística inferencial.
3) Según el tiempo considerado.- Si se considera a la estadística descriptiva, se distingue la estadística
estática o estructural, que describe la población en un momento dado (por ejemplo la tasa de
nacimientos en determinado censo), y la estadística dinámica o evolutiva, que describe como va
cambiando la población en el tiempo (por ejemplo el aumento anual en la tasa de nacimientos).

1.3 POBLACIÓN Y MUESTRA

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.

De muchos individuos De un solo individuo

En un instante de tiempo Notas de todos los alumnos en el Notas de un solo alumno en el
primer parcial de tal mes y tal año. primer parcial de las materias que
 cursa en ese momento.
A lo largo del tiempo Notas de todos los alumnos durante Notas de un alumno a lo largo de
los 6 años de carrera. los 6 años de carrera.

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.

1.4 ESTRUCTURA DEL DATO

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:

Ejemplos de datos en diferentes niveles de medición

Nivel de Nivel nominal Nivel ordinal Nivel cuantitativo Nivel cuantitativo

medición discreto continuo
DATO Martín es Elena terminó la Juan tiene 32 María tiene 70
electricista secundaria dientes pulsaciones por
minuto
Unidad de Martín Elena Juan María
análisis
Variable Oficio Nivel de Cantidad de piezas Frecuencia cardíaca
instrucción dentarias
Categoría o Electricista Secundaria 32 70
valor completa
Unidad de ------------- ------------ Diente Pulsaciones por
medida minuto

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.

CAPÍTULO 2: ESTADÍSTICA DESCRIPTIVA

2.1 GENERALIDADES

El propósito fundamental de la estadística descriptiva es resumir y organizar una gran cantidad de

datos referentes a una muestra (lo más habitual) o a una población. Se supone que los datos resumidos
y organizados permiten describir adecuadamente la muestra o la población a los efectos de conocerla y,
eventualmente, utilizarlos en la estadística inferencial para obtener conclusiones a partir de ellos.
Para resumir y organizar los datos se utilizan diferentes procedimientos, llamados técnicas
descriptivas: la matriz de datos permite ordenarlos, las tablas de frecuencias (o tablas de distribución
de frecuencias) permiten agruparlos, los gráficos permiten visualizarlos, y las medidas estadísticas y las
medidas de asimetría y curtosis permiten resumirlos reduciéndolos a un solo dato.

Secuencia para organizar y resumir datos individuales

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:

DATOS ORDENADOS DATOS RECOLECTADOS

(matriz de datos) (entrevistas, cuestionarios, tests, etc)

DATOS AGRUPADOS POR DATOS AGRUPADOS POR

FRECUENCIA INTERVALOS
(tabla de frecuencias) (tabla de frecuencias por intervalos)

DATOS VISUALIZADOS DATOS SINTETIZADOS

(gráficos) (medidas estadísticas y medidas de asimetría y curtosis)

Como puede verse:

a) Los datos quedan recolectados mediante entrevistas, cuestionarios, tests, etc.
b) Los datos quedan ordenados mediante una matriz de datos (lo cual permite resumir la información en
unas pocas páginas).
c) Los datos quedan agrupados mediante tablas de frecuencias (lo cual permite resumir la información en
una sola página).
d) Los datos quedan visualizados mediante gráficos.
e) Los datos quedan sintetizados mediante las medidas estadísticas y otras (lo cual permite resumir la
información en uno o dos renglones).
Puede entonces decirse que, mediante una matriz de datos, una tabla de frecuencias (1), un gráfico o
con medidas estadísticas, etc, la muestra o la población (conjuntos de datos) puede quedar
adecuadamente descrita.
Estas sucesivas abstracciones estadísticas implican: a) la reducción del espacio físico donde queda
guardada la nueva información, y b) la desaparición de considerable información irrelevante.
Debe distinguirse el fin o propósito perseguido (por ejemplo ordenar los datos), del medio utilizado para
ello, que e la técnica descriptiva (por ejemplo, la matriz de datos).

2.2 ORDENAMIENTO Y AGRUPACIÓN DE LOS DATOS: MATRICES Y TABLAS

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:

Ejemplos de organización de los datos según el nivel de medición

Datos ordenados Datos agrupados por frecuencia Datos agrupados por

intervalos
Nivel nominal Matriz de datos Tabla de frecuencias
(Ejemplo: Sujeto x (religión) x (religión) f
variable Juan Católica Católica 2
religión) Pedro Católica Judía 1
María Judía Protestante 3
Antonio Protestante n=6
Luis Protestante
José Protestante f = frecuencia
n = tamaño de la muestra

Nivel ordinal Matriz de datos Tabla de frecuencias

(Ejemplo: Sujeto x (clase x (clase social) f
variable clase social) Alta 1
social) Juan Alta Media 3
Pedro Media Baja 2
María Media n=6
Antonio Media
Luis Baja f = frecuencia
José Baja n = tamaño de la muestra

Nivel Matriz de datos Tabla de frecuencias Tabla de frecuencias por

cuantitativo Sujeto x (edad) x (edad) f intervalos
(Ejemplo: Juan 15 15 3 x (edad) f
variable edad) Pedro 15 16 5 15-16 8
María 15 17 8 17-18 11
Antonio 16 18 3 19-20 3
Luis 16 19 2 n = 22
José 16 20 1
Ana 16 n = 22 f = frecuencia
Gabriela 16 n = tamaño de la muestra
Susana 17 f = frecuencia
Martín 17 n = tamaño de la muestra
Sergio 17
Pablo 17
Daniel 17
Graciela 17
Daniela 17
Beatriz 17
Oscar 18
Felipe 18
Alberto 18
Mónica 19
Marta 19
Mariana 20

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:

Tipos de frecuencias que pueden indicarse en una tabla de frecuencias

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:

Límites aparentes Límites reales

95-99 94.5-99.5
90-94 89.5-94.5
85-89 84.5-89.5
80-84 79.5-84.5
75-79 74.5-79.5

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

Cantidad de intervalos.- La cantidad de intervalos es inversamente proporcional al tamaño de los

mismos: cuanto menor tamaño tienen los intervalos, más numerosos serán.
El solo hecho de emplear intervalos supone una cierta pérdida de la información. Por ejemplo, si se
considera el intervalo 15-18 años, quedará sin saber cuántas personas de 16 años hay. Para reducir esta
incertidumbre, podría establecerse un intervalo menor (15-16 años), pero con ello habrá aumentado la
cantidad de intervalos hasta un punto donde la información se procesará de manera más difícil.
Consiguientemente, al agrupar los datos hay que resolver el dilema entre perder información y presentar
los datos de manera sencilla (Pagano R, 1998:37) (Botella, 1993:54), es decir, encontrar el justo
equilibrio entre el tamaño de los intervalos y su cantidad.
En la práctica, por lo general (Pagano, 1998:37) se consideran de 10 a 20 intervalos, ya que la
experiencia indica que esa cantidad de intervalos funciona bien con la mayor parte de las distribuciones
de datos (3).

Se pueden sintetizar algunas reglas importantes para la construcción de intervalos de la siguiente

manera:
a) Los intervalos deben ser mutuamente excluyentes.
b) Cada intervalo debe incluir el mismo número de valores (constancia de tamaño).
c) La cantidad de intervalos debe ser exhaustiva (todos los valores deben poder ser incluídos en algún
intervalo).
d) El intervalo superior debe incluir el mayor valor observado (Botella, 1993:54).
e) El intervalo inferior debe incluir al menor valor observado (Botella, 1993:54).
f) En variables continuas, es aconsejable expresar los límites aparentes de los intervalos, que los límites
reales.

2.3 VISUALIZACIÓN DE LOS DATOS: GRÁFICOS

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.

Diagrama de tallo y hojas

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

Tallo Hojas Procedimiento para realizar el diagrama de tallo y hojas

3 237
4 269 a) Se construye una tabla como la de la izquierda con dos columnas: tallos y
5 14578 hojas.
6 13358 b) Se identifican cuáles son los valores extremos: 32 y 93.
7 123335778 c) Se consideran los primeros dígitos de cada valor: 3 y 9.
8 355 d) En la columna “tallos” se colocan los números desde el 3 hasta el 9.
9 13 e) En la columna “hojas” se colocan los segundos dígitos de cada valor que
empiece con 3, con 4, con 5, etc.

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:

Hojas (Grupo control) Tallo Hojas (Grupo experimental)

87655 1 9
44322110 2 124
876655 3 5667788899
111000 4 00023344
5 555

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:

Barras simples Barras superpuestas

f f

25 25

20 20

15 15

10 10

5 5

Solteros Casados Separados Solteros Casados Separados x

x

Barras adyacentes

25

20

15
Adolescentes
10

5
Adultos

Solteros Casados Separados x

Las barras también pueden disponerse horizontalmente.

Mediante el diagrama de barras pueden representarse variables cualitativas y cuantitativas discretas.

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:

1.5 2.5 3.5 punto medio (xm)

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

1.99 2.99 3.99 lím superior (L s)

La ojiva de Galton también puede representar frecuencias acumuladas decrecientes.

2.4 SÍNTESIS DE LOS DATOS: MEDIDAS ESTADÍSTICAS DE POSICIÓN

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.

Características de las principales medidas de posición

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.

En el siguiente cuadro se especifican las definiciones y características principales de las medidas de

posición.

Medida Definición Características

MODO Es el dato o Resulta útil si hay muchos datos repetidos (altas frecuencias).
valor que más Puede calcularse cuando hay valores muy extremos.
se repite, o El modo muestral no es un estimador suficiente del modo poblacional
sea, el de porque no incluye todos los datos.
mayor En distribuciones multimodales es posible que la muestra no sea
frecuencia. homogénea, y que esté constituída por varios estratos.
Es posible convertir una distribución multimodal en una modal
reorganizando los intervalos.
Si una distribución no tiene modo, podría obtenerse reorganizando los
datos en intervalos.
MEDIANA Es el dato o Es la medida más útil en escalas ordinales siempre que los valores
valor que centrales sean iguales.
divide por la No está influenciada por los valores extremos (por ello por ejemplo
mitad la serie puede aplicarse desconociendo estos o sea cuando hay límites
de datos superiores o inferiores abiertos).
ordenados Puede usarse cuando hay intervalos abiertos, siempre que el orden de
creciente o la mediana no se corresponda con ellos.
decrecienteme Es útil cuando unos pocos datos difieren mucho del resto.
nte, es decir, No es útil si hay muchos datos repetidos (altas frecuencias).
es el valor La mediana muestral no es un estimador suficiente de la mediana
central de la poblacional porque no incluye todos los datos.
serie. Es útil es distribuciones muy asimétricas (extremos no compensados).
La mediana coincide con el Q2 (cuartil 2), el D5 (decil 5) y el P50
(percentil 50) (8).
MEDIA Es el promedio Está influenciada por los valores extremos (por ejemplo, no puede
ARITMÉTICA aritmético de utilizarse cuando hay valores extremos desconocidos o intervalos
todos los abiertos, salvo que estos puedan cerrarse).
datos o No conviene cuando los valores extremos son muy altos o muy bajos.
valores. Es útil en distribuciones simétricas (con extremos compensados).
No puede usarse en escalas nominales ni ordinales.
Es siempre superior a la media geométrica y a la media armónica.
La media muestral es un estimador suficiente de la media poblacional
porque incluye todos los datos.
No necesariamente coincide con alguno de los valores.
La media aritmética tiene varios otras propiedades (7).
CUANTIL Es el dato o Es útil cuando hay gran cantidad de valores.
valor que Puede también utilizarse como medida de dispersión.
divide la serie Suelen utilizarse los cuartiles, los deciles y los percentiles.
ordenada de
 datos en
partes iguales.
-Cuartiles Valores que Tres cuartiles dividen la serie en cuatro partes iguales.
dividen la
serie en
cuatro partes
iguales.
-Deciles Valores que Nueve deciles dividen la serie en diez partes iguales.
dividen la
serie en diez
partes iguales.
-Percentiles Valores que Noventa y nueve percentiles dividen la serie en cien partes iguales.
dividen la También se llaman centiles.
serie en cien
partes iguales.

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.

Cálculo analítico de las medidas de posición: fórmulas

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)

Nivel nominal Nivel ordinal Nivel cuantitativo

x (religión) f x (dureza) f x (edad) f
Católicos 56 Muy duro 18 30 años 6
Protestantes 78 Duro 8 31 años 14
Judíos 45 Intermedio 13 32 años 19
Budistas 24 Blando 16 33 años 24
Otros 31 Muy blando 7 34 años 15
El modo es “Protestantes” El modo es “Muy duro” El modo es “33” años

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)

x (cantidad piezas dentarias) f

10-18 6
19-27 8
28-36 24
37-45 2
n=40

Una vez confeccionada la tabla de frecuencias por intervalos, se procede en dos pasos:

a) Se identifica cuál es el intervalo de mayor frecuencia. En este caso, es 28-36.

b) Se aplica la fórmula correspondiente:

f - fant
Mo = Li + ---------------------- . a
(f - fant) + (f- fpos)

24 - 8
Mo = 28 + ---------------------- . 8 = 31.37 piezas dentarias
(24 - 8) + (24 - 2)

d) Cálculo de la mediana para datos ordenados (niveles ordinal y cuantitativo)

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.

Ejemplos para el nivel ordinal:

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.

Ejemplos para el nivel cuantitativo:

Número impar de datos: 13, 13, 13, 14, 14, 17, 18, 19, 19 (por tanto, la mediana es 14)
Número par de datos: 11, 11, 12, 13, 14, 15, 16, 18, 18, 18 (por tanto, la mediana es el
promedio entre 14 y 15, o sea 14.5).

e) Cálculo de la mediana para datos agrupados por frecuencia (niveles ordinal y

cuantitativo)

x (días) f F
1 7 7
2 9 16
3 14 30
4 10 40
5 2 42
n = 42

La variable es aquí cantidad de días de posoperatorio.

El procedimiento es el siguiente:
a) Se calcula la mediana de orden:

Mn0 = n/2 = 42/2 = 21

b) Se identifica cuál es el valor de x que corresponde a la frecuencia acumulada que contiene

el valor 21:

Dicha frecuencia acumulada es 30, y, por lo tanto Mn = 3 días

f) Cálculo de la mediana para datos agrupados por intervalos (nivel cuantitativo)

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:

Mn0 = n/2 = 68/2 = 34

Tomando en cuenta las frecuencias acumuladas, el valor 34 entra en la frecuencia
acumulada 41, y, por lo tanto, el intervalo a considerar será 9-12.
b) Se aplica la fórmula de mediana:

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)

Dados los siguientes dados ordenados: 2-2-3-4-4-4-5-5-6-7-8-10

Se puede calcular la media aritmética aplicando la fórmula:

x
X = -----
n

X = ---------------------------------------- = --------- = 5
12 12

h) Cálculo de la media aritmética para datos agrupados por frecuencia (nivel

cuantitativo)

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) 54+19+40+42+50+52+56 363

X = --------- = ----------------------------------- = -------- = 22.68 años = 23 años.
n 16 16

i) Cálculo de la media aritmética para datos agrupados por intervalos (nivel

cuantitativo)

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).

j) Cálculo del cuantil para datos ordenados (nivel cuantitativo)

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

Se pueden calcular, por ejemplo, Q1, Q2 y Q3.

El primer paso consiste en averiguar los respectivos cuartiles de orden.

0
Para Q1 es Q = t.n/4 = 1.16/4 = 4
0
Para Q2 es Q = t.n/4 = 2.16/4 = 8
0
Para Q3 es Q = t.n/4 = 3.16/4 = 12

El segundo y último paso consiste en identificar el valor de x correspondiente al cuartil de

orden respectivo.

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

Se pueden calcular, por ejemplo, Q3, D7 y P45.

El primer paso consiste en averiguar los cuantiles de orden:

0
Para Q3 es Q = t.n/4 = 3.66/4 = 49.5
0
Para D7 es D = t.n/10 = 7.66/10 = 46.2
0
Para P45 es P = t.n/100 = 45.66/100 = 29,7

El segundo paso consiste en identificar el intervalo que corresponde al cuantil de orden en la

columna de frecuencias acumuladas:

El valor 49.5 corresponde al intervalo 60-70

El valor 46.2 corresponde al intervalo 60-70
El valor 29.7 corresponde al intervalo 50-60

El tercer y último paso consiste en aplicar la fórmula basándose en la información del

intervalo identificado. Si la fórmula pide el dato de la frecuencia acumulada anterior y esta
no existe, se coloca 0 (cero).
En el ejemplo del cálculo del D7, se aplica la siguiente fórmula:

t.n/10 - Fant
Dt = Li + ------------------- . a
f

46.2 - 37
D7 = 60 + ---------------- . 11 = 67.78
13

Cálculo visual de las medidas de posición: gráficos

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.

a) Cálculo del modo mediante un histograma

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

b) Cálculo de la mediana mediante una ojiva

En este caso pueden utilizarse dos procedimientos:

1) Una vez trazada la ojiva, a) se ubica en el eje de las ordenadas a la mediana de orden
0
(Mn ); b) por la mediana se orden se traza una recta paralela al eje x hasta que intersecte
la ojiva; c) por este punto de intersección se traza una recta paralela al eje y hasta que
intersecte el eje x. En este punto estará ubicada la mediana.
2) Se trazan en el mismo eje de coordenadas las ojivas creciente y decreciente de la misma
distribución de datos. Luego, a) se traza una recta paralela al eje y que pase por la
intersección de ambas ojivas y por algún punto del eje x; b) el punto del eje x por donde
pasa dicha recta corresponde a la mediana.

Criterios de elección de medidas de posición

1) La elección de una medida de posición debe tener en cuenta el nivel de medición de la

variable que se mide:

Nivel nominal Nivel ordinal Nivel cuantitativo

Modo SI SI SI
Mediana NO SI. Siempre y cuando SI
los dos valores centrales
con n = par sean
iguales. En caso
contrario usar el Modo.
Media NO NO SI Cuando no haya valores
aritmética extremos alejados ni valores
extremos abiertos. En caso
contrario, usar el Modo o la
Mediana (*).
Cuantiles NO NO SI

(*) 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.

2.5 SÍNTESIS DE LOS DATOS: MEDIDAS ESTADÍSTICAS DE DISPERSIÓN

Definición

Las medidas de dispersión, llamadas también medidas de variabilidad o de variación, son

datos estadísticos que informan acerca del grado de dispersión o variabilidad de los datos
individuales de una muestra o una población, respecto de una variable. En otras palabras,
indican el grado de homogeneidad o de heterogeneidad del conjunto de los datos. Por
ejemplo, indican cuán alejados o cuán cercanos se encuentran los datos de algún valor
central como la media aritmética: una muestra cuyos datos son 3-4-5 es menos dispersa que
una muestra cuyos datos son 1-4-7.

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:

Blanco Verde Amarillo Celeste Rosa

Muestra A: 28 3 3 3 3
Muestra B: 8 8 8 8 8

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:

Muestra 1: 4 + 1 (se lee 4 más/menos 1)

Muestra 2: 4 + 3 (se lee 4 más/menos 3).

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”.

Características de las principales medidas de dispersión

En general, las medidas de dispersión más utilizadas sirven para la medición de variables en
el nivel cuantitativo. Seguidamente se examinarán las siguientes medidas de dispersión:
rango, desviación media, varianza, desvío estándar, desvío intercuartílico y coeficiente de
variación.

En el siguiente cuadro se especifican las definiciones y características principales de las

medidas de dispersión.

Medida Definición Características

RANGO Es la diferencia De uso limitado, no es una buena medida de dispersión.
entre los valores Es muy sensible a los valores extremos e insensible a los valores
máximo y mínimo intermedios.
de la variable. Está muy vinculada al tamaño de la muestra: es probable que la muestra
de mayor tamaño presente mayor rango aunque las poblaciones de
referencia tengan igual dispersión (Botella, 1993).
Se llama también amplitud.
DESVIACION Es el promedio de Considera desviaciones absolutas, es decir, no las considera con valores
MEDIA las desviaciones de negativos (de otro modo, el promedio de las desviaciones, por un teorema
todos los valores de la media aritmética, daría cero). Esto representa una dificultad de
respecto de la cálculo, por lo que se utiliza la varianza.
media aritmética.
VARIANZA Es el promedio de Es un valor esencialmente no negativo (10).
los cuadrados de Matemáticamente es buena medida de dispersión, pero da valores muy
las desviaciones altos, por lo cual en estadística descriptiva se utiliza el desvío estándar
con respecto a la (9).
media aritmética. Se apoya en una propiedad de la media aritmética según la cual la suma
de los cuadrados de las desviaciones respecto a la media es un valor
mínimo.
La varianza permite comparar la dispersión de dos o más muestras si sus
medias aritméticas son similares (Botella, 1993).
Si se suma una constante a un conjunto de valores, la varianza no se
modifica (Botella, 1993).
Si se multiplica por una constante a un conjunto de valores, la varianza de
los nuevos valores el igual al producto de la varianza de las originales por
el cuadrado de la constante (Botella, 1993).
DESVIO Es la raíz cuadrada Es un valor esencialmente no negativo (10).
ESTÁNDAR de la varianza (11) Es la medida de dispersión más utilizada.
Se la emplea conjuntamente con la media aritmética como medida de
posición.
La raíz cuadrada permite compensar el cuadrado de la varianza.
Si se suma una constante a un conjunto de valores, el desvío estándar no
se modifica (Botella, 1993).
Si se multiplica por una constante a un conjunto de valores, el desvío
estándar de los nuevos valores el igual al producto del desvío estándar de
las originales por el cuadrado de la constante (Botella, 1993).
Se llama también desviación típica, o también desviación estándar
(Pagano, 1998:71).
DESVIO Es la diferencia Expresa el rango del 50% central de la serie de valores.
INTER entre el Q3 y el Q1. Se llama también amplitud intercuartil.
CUARTILICO
COEFICIENTE Es el cociente entre Permite comparar la dispersión de dos o más muestras con diferentes
DE el desvío estándar y medias aritméticas: a mayor coeficiente de variación, mayor dispersión.
VARIACION la media aritmética. No se expresa en unidades como la variable en estudio (por ejemplo, para
edad, no se expresa en años).
Puede considerarse como un índice de la representatividad de la media
aritmética: cuanto mayor es el coeficiente de variación, menos
representativa es la media (Botella, 1993).

Cálculo analítico de las medidas de dispersión: fórmulas

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

Medida de Datos ordenados Datos agrupados por Datos agrupados por

dispersión frecuencia intervalos
Rango R = xmay - xmen R = xmay - xmen No
Desviación |x–X| |x–X|.f | xm – X | . f
media
Dm = --------------- Dm = ------------------ Dm = --------------------
n n n
Desvío ( x – X )2 ( x – X )2 . f ( xm – X )2 . f
estándar
S = ---------------- S = ------------------- S = ----------------------
n n n
El segundo miembro es El segundo miembro es a la raíz El segundo miembro es a la raíz
a la raíz cuadrada cuadrada cuadrada
Varianza Es el cuadrado del Es el cuadrado del desvío Es el cuadrado del desvío
2 2 2
desvío estándar (S ) estándar (S ) estándar (S )
Desvío DQ = Q3 – Q1 DQ = Q3 – Q1 DQ = Q3 – Q1
intercuartílico
Coeficiente S S S
de variación CV = ----- CV = ----- CV = -----
X X X

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

Se puede aplicar a estas muestras la fórmula del Rango R = xmay - xmen

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

Como se ve, la muestra 2 es más dispersa porque tiene mayor rango.

No se puede calcular el rango para datos agrupados por intervalos porque se desconocen
cuáles son los valores máximo y mínimo.

b) Cálculo de la desviación media para datos ordenados

La serie ordenada de datos puede ser la siguiente: 2, 3, 5, 6, 7, 9, 10

Como primer paso se calcula la media aritmética:

2+3+5+6+7+9+10
X = --------------------------- = 6
7

Como segundo y último paso, se calcula la desviación media:

|x–X| |2-6| + |3-6| + |5-6| + |6-6| + |7-6| + |9-6| + |10-6|

Dm = --------------- = --------------------------------------------------------------------- = 2.29
N 7

c) Cálculo de la desviación media para datos agrupados por frecuencia

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 f.x |x-X| |x-X|.f

70 45 3150 35 1575
80 63 5040 25 1575
90 78 7020 15 1170
100 106 10600 5 530
110 118 12980 5 590
120 92 11040 15 1380
130 75 9750 25 1875
140 23 3220 35 115
n = 600 62800 160 8810

Primero se calcula la media aritmética:

x.f) 62800
X = --------- = ------------ = 104.66 = 105
n 600

Finalmente se calcula la desviación media:

|x–X|.f 8810
Dm = ------------------ = ------------ = 14.68
n 600

d) Cálculo de la desviación media para datos agrupados por intervalos

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).

e) Cálculo del desvío estándar para datos ordenados

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

f) Cálculo del desvío estándar para datos agrupados por frecuencia

x (edad) f f.x x–X ( x – X )2 ( x – X )2 . f

18 3 54 -5 25 75
19 1 19 -4 16 16
20 2 40 -3 9 18
23 4 42 0 0 0
25 2 50 +2 4 8
26 2 52 +3 9 18
28 2 56 +5 25 50
n = 16 363 185

Primero se calcula la media aritmética, que arroja un valor de X = 23.

Finalmente, se aplica la fórmula de desvío estándar:
2
(x–X) .f 185
S = ---------------------- = ------------ = 11.56 = 3.2
n 16

Puede también utilizarse una fórmula más sencilla a los efectos del cálculo (Bancroft,
1960:80):
2
x .f
2
S = ----------- - (X)
n

Donde el primer término del segundo miembro es a la raíz cuadrada.

g) Cálculo del desvío estándar para datos agrupados por intervalos

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.

i) Cálculo del desvío intercuartílico

Dada la siguiente serie, obtener el desvío intercuartílico:

x f
0-20 2
20-40 4
40-60 5
60-80 8
80-100 1
n = 20

Primero se calculan los Q3 y Q1 aplicando la fórmula explicada en medidas de posición.

Finalmente, se aplica la fórmula del desvío intercuartílico:

DQ = Q3 – Q1 = 70 – 35 = 35

Una variante es el empleo del desvío semi-intercuartílico, es decir, el desvío intercuartílico

dividido dos. Se trata de una medida de dispersión propuesta por Galton en 1889, y que
resulta recomendable cuando hay algún valor extremo que pudiera distorsionar la
representatividad de la media aritmética (Botella, 1993).

j) Cálculo del coeficiente de variación

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

Cuanto mayor es el CV, mayor es la dispersión.

También puede calcularse un coeficiente de variación porcentual, multiplicando CV por
100. En el ejemplo:

CV% = 0.16 . 100 = 16%.

Cálculo visual de las medidas de dispersión: gráficos

Botella (1993:143) menciona dos procedimientos para expresar gráficamente medidas de

dispersión: el diagrama de caja y bigotes (Tukey, 1977) y el diagrama de bigotes verticales.

Diagrama de caja y bigotes

 75 80 85 90 95 100 105 110 115 120 125 130

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.

Diagrama de bigotes verticales

Nivel de
ansiedad

4° 5° 6° 7° 8°
Curso

El gráfico representa las medias aritméticas de nivel de ansiedad de diversos cursos de

alumnos. En cada media aritmética se han trazado bigotes verticales que representan los
respectivos desvíos estándar. Puede entonces apreciarse, por ejemplo, que a medida que
aumenta la media aritmética, tiende también a aumentar el desvío estándar.

2.6 SÍNTESIS DE LOS DATOS: ASIMETRÍA Y CURTOSIS

Un conjunto de datos o distribución de datos queda exhaustivamente descrito cuando

pueden especificarse una medida de posición, una medida de dispersión, un índice de
asimetría y un índice de curtosis. Las medidas de asimetría y curtosis se refieren a la „forma‟
de la distribución y, aunque no son tan importantes como las medidas de posición y
dispersión y son muy poco utilizadas, aportan también información sobre la distribución de
los valores de una muestra o población.

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.

x (nota) f (curso A) f (curso B) f (curso C)

10 5 2 1
 9 10 5 2
8 15 8 3
7 22 10 6
6 16 15 8
5 12 20 12
4 8 15 16
3 6 10 22
2 3 8 15
1 2 5 10
0 1 2 5
n = 100 n = 100 n = 100

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:

Curso A Curso B Curso C

Media Modo Media Modo Media

Modo

Asimetría Asimetría Asimetría

negativa cero positiva
(curva hacia (curva hacia
la derecha) la izquierda)

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):

Indice de Indice de asimetría Indice de asimetría Indice de asimetría

asimetría media- media-mediana de Pearson intercuartílico
modo (Kohan, 1994:93)

Es la distancia Es la distancia entre Es el promedio de los Es el cociente entre la

entre la media y el la media y la valores z elevados al diferencia Q3-Q2 y Q2-
modo, medido en mediana multiplicada cubo (donde z es el Q1, y la diferencia Q3-
desvíos estándar: por tres, medida en cociente entre la Q1
X - Mo desvíos estándar: diferencia entre x y
As = ------------- X - Mn la media aritmética,
S As= ------------- y el desvío
S estándar).

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).

Leptocúrtica Mesocúrtica 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):

Cuartiles Deciles Percentiles

D1 P10
D2 P20
Q1 P25
D3 P30
D4 P40
Q2 D5 P50
D6 P60
D7 P70
Q3 P75
D8 P80
D9 P90

(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.

CAPÍTULO 3: PROBABILIDAD Y CURVA NORMAL

La curva normal es uno de los temas fundamentales de la estadística que utiliza la

información provista por la estadística descriptiva y permite el paso a la estadística
inferencial en el sentido de proveer una herramienta para obtener conclusiones respecto de
la población. La comprensión de este tema exige un conocimiento mínimo de la teoría de la
probabilidad.

3.1 EL CONCEPTO DE PROBABILIDAD

Se entiende por probabilidad el grado de posibilidad de ocurrencia de un determinado

acontecimiento. Dicha probabilidad puede calcularse en forma teórica o empírica, a partir de
las llamadas probabilidad clásica y frecuencial, respectivamente. El concepto de probabilidad
ha demostrado ser de importante utilidad en ciertos enfoques sistémicos, especialmente en
los ámbitos de la termodinámica y la teoría de la información.

1. Concepto de probabilidad.- Entendida como medida de la posibilidad de la ocurrencia de

un determinado acontecimiento, la probabilidad abarca un espectro que se extiende desde la
certeza (el acontecimiento ocurrirá con total seguridad), hasta la imposibilidad (es imposible
que el acontecimiento ocurra), pasando por todos los grados intermedios (es muy probable
que ocurra, es medianamente probable, es poco probable, etc).
Semana 1
Fundamentos de Estadística

Lectura
Estadística Básica

Dicovskiy Riobóo, L. M. (2008). Estadística Básica. Estelí,

Nicaragua: Universidad Nacional de Ingeniería.
Material compilado con fines académicos, se prohíbe su
reproducción total o parcial sin la autorización de cada autor.
 UNIVERSIDAD NACIONAL DE INGENIERÍA

UNI- NORTE - SEDE REGIONAL Estelí, Nicaragua

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

2.3 Propiedades de la Probabilidad ................................................................................. 39

Regla del producto. ......................................................................................................... 40
Regla de la Suma. ........................................................................................................... 40
2.4 Probabilidad condicionada......................................................................................... 41
2.3 Teorema de Bayes .................................................................................................... 42
Regla de la probabilidad total .......................................................................................... 43
Planteo del Teorema de Bayes ....................................................................................... 44
2.4 Técnicas de conteo: Combinaciones y Permutaciones ............................................ 47
Unidad 3. Variables aleatorias y sus distribuciones. ........................................................ 49
3.1 Distribuciones de Frecuencia, Introducción. ............................................................. 49
Objetivos.......................................................................................................................... 49
3.2 Variables aleatorias. .................................................................................................. 51
Función de densidad de probabilidad .............................................................................. 51
Distribución acumulativa o función de distribución .......................................................... 53
Parámetros característicos de una función de densidad de probabilidad. ....................... 54
El Desvío Estándar y el Teorema de Chebyshev ............................................................ 56
3.3 Distribución Normal .................................................................................................. 57
3.4 Distribución “t” de Student. ........................................................................................ 59
3.5 La distribución X2 de Pearson. .................................................................................. 63
3.6 La distribución “F” de Fisher. ..................................................................................... 64
3.7 La distribución Binomial. ............................................................................................ 65
3.8 Distribución de Poisson ............................................................................................. 68
Bibliografía y Documentos Consultados .......................................................................... 70
Unidad 4. Estimación y prueba de hipótesis. ................................................................... 72
4.1 Estimación por Intervalos de Confianza. ................................................................... 72
Objetivos.......................................................................................................................... 72
4.2 Generalidades de las pruebas de Hipótesis .............................................................. 74
4.3 Prueba de hipótesis con pruebas “t” .......................................................................... 76
El promedio de una muestra pertenece a población con promedio conocido................ 76
Dos promedios tomados en una misma muestra, en momentos diferentes, son iguales.78
Los promedios de dos muestras o grupos pertenecen a una misma población. ............. 78
3
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?

Es por lo anterior, respetando el principio de asequibilidad es que buena cantidad de

los ejercicios fueron generados en el aula con la información que tienen los estudiantes
mano. Creo que la estadística no puede funcionar si primero no se sabe como generar
el dato, y como organizar la información en forma de matriz de datos y que estos
puedan ser analizados usando un programa estadístico computacional. Para hacer los
ejercicios de este texto y construir gráficos digitales se sugiere utilizar el programa
estadístico INFOSTAT, el cual dispone de una versión de uso libre que se puede
descargar gratuitamente desde la página www.infostat.com.ar .

Unidad I. Estadística Descriptiva

Objetivos

 Reflexión sobre el uso de la estadística

 Introducción a la recolección de datos

4
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

 Construcción de concepto básicos

 Explicar los diferentes tipos de medidas
 Construir Distribuciones de Frecuencia.
 Realizar los tipos de Gráficos más comunes
 Construir medidas de tendencia central
 Construir medidas de variabilidad
 Utilizar las medidas en el análisis de datos
 Explicar principio básicos de muestreo

1.1 Introducción Unidad I

Los procedimientos estadísticos son de particular importancia en las ciencias biológicas
y sociales para reducir y abstraer datos. Una definición que describe la estadística de
manera utilitaria es la que dice que esta es: “un conjunto de técnicas para describir
grupos de datos y para tomar decisiones en ausencia de una información completa”. La
estadística a diferencia de la matemática no genera resultados exactos, los resultados
siempre tienen asociada un grado de incertidumbre o error. La estadística trata de
lograr una aproximación de la realidad, la cual es siempre mucho más compleja y rica
que el modelo que podemos abstraer. Si bien esta ciencia es ideal para describir
procesos cuantitativos, tiene serios problemas para explicar “el porqué” cualitativo de
las cosas

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.

Construcción de Variables a partir de información de un cuestionario.

Para poder analizar datos, ya sea de forma manual o por computadora, hay que
entender que trataremos a partir del estudio de la realidad observable crear un

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

Matriz de datos: es un ordenamiento de datos en fila y columnas donde: cada fila

es: un individuo, una parcela, una muestra, una unidad experimental o una
encuesta determinada y cada columna: una variable. Los programas Acces,
Excel, Infostat y SPSS ordenan los datos en forma de matriz.
1.2 Análisis de datos
Una vez que los datos se han codificado, transferido a una matriz y guardado en una
micro computadora podemos proceder a analizarlos, proceso que generalmente se
hace con un programa estadístico. En esta clase haremos a modo de ejercicio el inicio
del procedimiento de forma manual, situación que difícilmente se puede hacer con

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.

El procedimiento de análisis se esquematiza en la figura siguiente:

Creación de la Definición Ejecución de Interpretación

matriz de datos de análisis análisis en de resultados
a realizar microcomputadora

En general el investigador busca en primer término describir sus datos y posteriormente

efectuar análisis estadístico para relacionar las variables. Los tipos de análisis son
variados y cada método tiene su razón de ser un propósito específico, “la estadística
no es un fin en si misma sino una herramienta para analizar los datos”.
Los principales análisis que pueden efectuarse son:
 Estadística descriptiva para variables tomadas individualmente
 Pruebas paramétricas.
“la estadística está ligada a la toma,
 Pruebas no paramétricas.
organización, presentación y análisis
de un grupo de datos”.
Una primera tarea luego de
construir la tabla de datos es
explorar los datos buscando información atípica o anormal y corregir los datos en caso
que esta información atípica se deba a una mala digitación o error en la recolección de
datos.

Lo siguiente para observar el comportamiento de los datos es realizar una “distribución

frecuencias” en forma de tabla y gráfico. Para esto los datos se agrupan en clases o
categorías y para grupo se calcula la frecuencia absoluta y relativa.

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

 Las escalas Nominales, es cuando describimos algo dándole un nombre a cada

categoría o clase y estas son mutuamente excluyentes. Por ejemplo la variable
sexo donde “varón = 1” y “mujer = 2”.
 Las escalas Ordinales, donde hay un orden de un conjunto de objetos o eventos
con respecto a a algún atributo específico, por ejemplo ordenar los ingresos en tres
niveles: “alto =1”, “medio = 2” y “bajo = 3”.
 Las Escalas de Intervalos Iguales, estas pueden ser sumadas, restadas
multiplicadas y divididas sin afectar las distancias relativas entre las calificaciones.
Por ejemplo las medidas de temperatura en Grados C 0, las calificaciones de un
examen en una escala de 1 a 100 o un juicio de valor en una escala Likert. En esta
escala el “0” es arbitrario y no necesariamente representa ausencia, también nos
dice que un valor de 30 puntos de un examen de español no necesariamente
representa la mitad de conocimiento de un valor de 60 puntos .
 Escala de Razón Constante, tienen todas las propiedades de las clases de
intervalos más un cero absoluto, por ejemplo las medidas de tiempo, peso y
distancia el valor “0” representa ausencia del valor.

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

Estar de acuerdo con la idea presentada significa un puntaje mayor.

Ejercicio 1.3: entre los participantes de la clases tomar datos de 15 variables al

menos por ejemplo: Edad, Sexo, Procedencia, etc. y ordenarlos en forma de matriz
de datos, recodifique la información cualitativa en numérica.

Organización de una matriz de información a partir de un cuestionario.

Una encuesta impersonal con preguntas cerradas es una manera de recolectar mucha
información rápidamente que luego se puede codificarla fácilmente, la debilidad de este
instrumento es que no siempre la gente responde adecuadamente y que las
respuestas generadas se limitan a las opciones previamente definidas y la experiencia
nos dice que la realidad es mucho más rica que lo que creemos ocurre a priori. Para
los que trabajan con entrevistas hay que saber que también la información que se
genera de las entrevistas pueden luego tabularse numéricamente de la misma manera
que una encuesta.

Encuestas o Cuestionarios: Al diseñar una encuesta esta debe ayudar a responder a

las preguntas que genera la hipótesis del trabajo, un error común es hacer una
encuesta primero y luego que se han recolectado los datos, se solicita a un estadístico
que no ayude a analizar la información, “la lógica es al revés” se debe pensar como se
analizará la información desde el mismo momento que se diseña la encuesta. Se
sugiera que las variables cualitativas (ej. nombres) se deben recodificar al momento
del llenado de la base de datos creando variables numéricas discretas, por ej. Si
quiero clasificar la becas que otorga una Universidad puedo codificar a estas de la
siguiente manera: Beca interna =1, Beca externa =2 y No beca =0 .

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:

Encuesta Sexo Edad Ingresos Comunidad Labor

semanales C$ realizada
1 1 31 1,394 2 3
2 1 35 1,311 4 2
3 1 43 1,300 2 3
4 1 28 1,304 3 1
5 2 45 1,310 1 3
6 2 36 1,443 2 2
7 2 21 1,536 2 3
8 2 32 1,823 1 3
Esta matriz se codifica así: la variable “Sexo”: 1= varón, 2 = mujer. Para la variable
“comunidad” hay 4 tipos diferentes donde: 1= Estelí, 2= Condega, 3= Pueblo Nuevo y
4= Limay y para “Labor realizado”: 1= en otra finca, 2= en la cuidad y 3= en la propia
finca.

De esta manera se transforma en datos numéricos una información descriptiva, estos

números permiten luego hacer estadística.

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.

Códigos: Estado Civil: 1 Soltero, 2 Casado; Origen: 1 Estelí, 2 No Estelí; Sexo: 1

Varón, 2 Mujer; Becas: 1 Si 2 No; Opinión: 1 Negativa 5 Positiva

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

Principios a utilizar al construir una Tabla de Distribución de Frecuencias,

TDF.
Aunque esta tabla sirve para resumir información de variables discretas ó continuas, de
manera particular la TDF permite transformar una variable continua, a una variable
discreta definida por el número de intervalos y su frecuencia. Esta transformación
permite construir gráficos de histogramas o polígonos. Con Variables continuas como
(peso, altura, producción / superficie, etc.) el recorrido de la variable se parte en
intervalos semiabiertos, las clases.

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

menor de 5 ni mayor de 20. Al ancho de clase se calcula dividiendo el Rango (valor

mayor – valor menor), con un valor que debe variar entre 5 y 20. Hay que utilizar más
clases cuando se tiene más datos disponibles, si el número de clases es muy grande
es posible tener muchas clases vacías, si es demasiado pequeño podrían quedar
ocultas características importantes de los datos al agruparlos. Se tendría que
determinar el número de clases a partir de la cantidad de datos presente y de su
uniformidad, en general con menos de treinta datos se usa una TDF con 5 clases.

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.

Ejemplo con Datos de ingresos de 24 familias. Variable: Ingresos semanales en C$

por familia, n = 24 datos.
1,450 1,443 1,536 1,394 1,623 1,650
1,480 1,355 1,350 1,430 1,520 1,550
1,425 1,360 1,430 1,450 1,680 1,540
1,304 1,260 1,328 1,304 1,360 1,600
Secuencia de actividades
 Se calcula el Rango de los datos, valor mayor menos valor menor : 1680- 1,260 =
420 C$.
 Ancho de clase: El rango se divide en cuatro, 420/4= 105 C$, se ajusta a 100 C$ y
de esta manera el número de clases queda en cinco.
 Se construye los límites inferiores y superiores de cada clase como intervalos
semiabiertos,
 Luego se cuentan las frecuencias por clase, esto es la Frecuencia Absoluta
 Se calcula la Frecuencia Relativa (Frecuencia Absoluta / n)

13
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

 Se hace Frecuencia Acumulada. que es la suma de las frecuencias absolutas.

También se pueden hacer las frecuencias expresadas en porcentajes.
Tabla de Distribución de frecuencias, T DF.
Clase Límite Inferior Lim. Superior Marca de Frecuencia Frecuencia Frecuencia
Igual a Menor a clase Absoluta Relativa Acumulada
1 1,200 <1,300 1,250 1 0.04 1
2 1,300 <1,400 1,350 8 0.33 9
3 1,400 <1,500 1,450 7 0.29 16
4 1,500 <1,600 1,550 4 0.17 20
5 1,600 <1,700 1,650 4 0.17 24
Total 24 1.00
Texto..

Ejemplo de gráfico construido con estos datos

0.35

0.28
frecuencia relativa

0.21

0.14

0.07

0.00
1100 1200 1300 1400 1500 1600 1700 1800
C$

“Histograma y Polígono de Frecuencias Relativas de Ingresos semanales de 24

familias del Barrio Virginia Quintero, Estelí. 2008”
(Observar que la información que lleva el gráfico es completa y permite explicar el
contenido del mismo).

Una manera de representar una distribución de Frecuencias es:

1. Por medio de un gráfico de Barras con variables nominales.

14
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

2. Con un Histograma con variables continuas.

3. Un polígono de Frecuencias cuando se quieren mostrar las frecuencias absolutas.
4. Con un gráfico de Pastel cuando se tienen porcentajes o proporciones.

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.

Gráficos univariados, Ejemplo de edad de una muestra de personas, datos presentados

en forma de Histograma de frecuencias. En este gráfico las barras se encuentran
unidas, no habiendo espacio entre las barras. Para su construcción primero se tiene
que hacer una tabla de distribución de frecuencias, TDF, donde se precisen los límites
reales de frecuencia, que se usan para construir las barras. El centro de cada barra es
la “marca de clase”, esta medida se usa para construir polígonos.

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

Histograma de Frecuencias absolutas, de la edad, de una muestra de personas

de una comunidad rural del Departamento de Estelí. 2008.

Este gráfico univariado se acompaña de estadística descriptiva como promedios,

medianas, desvíos estándares e intervalos de confianza.

“Gráfico de Pastel o Sectores” Ejemplo del nivel de educación, de una muestra de

598 personas de origen rural, obtenida como salida de un análisis con SPSS. Este
Gráfico es creado con frecuencias y porcentajes, permite resaltar segmentos de clases
determinadas.

16
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

otros
19%

primaria
45%
ninguno

15%

secundaria
21%

Gráfico de pastel o sectores.

“Gráfico de Barras bivariado”. Ejemplo de las notas de tres asignaturas presentadas

en forma de barras. Este resume el promedio de notas obtenido por asignatura. Entre
barra y barra hay un espacio. El gráfico observado a continuación se construyó con
una variable nominale, asignatura y una variable continua, nota.

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

“Polígono de Frecuencias” Ejemplo de un donde se grafica en el tiempo el desarrollo

de una enfermedad, tizón temprano, en el follaje de las platas de tomate. Este polígono
se construye con los valores medio de cada clase, Marca de clase y las frecuencias por
clase.

El Polígono es una línea quebrada que se construye uniendo los puntos

medios en la parte superior de cada barra, marca de clase de un
histograma

18
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

30

20

10

0
13 20 27 34 41 48 55 62 69 76

Días despues del trasplante

Polígono de frecuencias acumuladas, en porcentaje del desarrollo de una

enfermedad fungosa, en plantas de tomate.

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

Gráfico Bivariado De Barras Apiladas

Gráfico bivariado
140 que reduce el
número de barras y
120
79
por lo tanto se
100 simplifica el diseño.
62
Se puede construir
80
con frecuencias o
60 Rol en la familia porcentajes

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

“Un Gráfico es una manera de ver

rápidamente lo que nos dicen los
datos”

“A partir de la realidad observable

debo crear un modelo numérico
teórico para intentar estudiar esa
realidad”

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”.

1.3. Medidas de Tendencia Central

Al forjarnos una imagen mental de la distribución de frecuencias de un conjunto de
mediciones, una de las primeras apreciaciones descriptivas de interés es una medida
de tendencia central, es decir, una que localiza el centro de la distribución.

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”.

Cuando se tienen datos agrupados en una distribución de frecuencias se obtiene el

punto medio de cada intervalo y se determina media de la siguiente manera:
𝑛𝑛
𝑥𝑥𝑓𝑓
𝑥𝑥 ൌ  ͳ 𝑛𝑛
Donde “f” es la frecuencia de la clase y “x” el punto medio de cada intervalo.

Una debilidad de la media aritmética es que es sensible a valores extremos de la

distribución y que carece de sentido para variables medidas con un nivel nominal o
ordinal.

𝒏𝒏
Media Aritmética 𝟏𝟏 𝒙𝒙
𝒙𝒙 ൌ
𝒏𝒏

Ejemplo de cálculo de una media o promedio.

22
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Si tengo la nota de un examen de matemáticas de 10 estudiantes en una escala de 1 a

100 donde:
Estudiante “Variable Nota = xi” Valor de xi
Luis X1 62
Alberto X2 68
Juan X3 92
Pedro X4 88
Robero X5 55
María X6 79
Raquel X7 89
Luisa X8 92
Rosa X9 67
Diana X10 69
761.

10
1
xi =
En este caso “i” varia de 1 a 10.


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.

Si las mediciones de un conjunto de datos se ordenan de menor a mayor valor y “n” es

impar, la mediana corresponderá a la medición con el orden “(n + 1) / 2”. Si el número
de mediciones es par , n = par, la mediana se escoge como el valor de “x” a la mitad de
las dos mediciones centrales, es decir como el valor central entre la medición con
rango “n/2” y la que tiene rango “(n/2) + 1”.

Reglas para calcular la mediana

 Ordenar las mediciones de menor a mayor
 Si “n” es impar, la mediana “m” es la medición con rango “(n + 1) / 2”
 Si “n” es par, la mediana “m” es el valor de “x” que se encuentra a la mitad
Ejemplo de cálculo de una mediana.
entre la medición con rango “n / 2” y la medición con rango “(n /2)+1”.
En el ejemplo de las notas de matemáticas “la mediana” se construye ordenando los
datos de menor a mayor:
23
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Estudiante “Datos ordenados” Valor de xi

Roberto 1 55
Luis 2 62
Rosa 3 67
Alberto 4 68
Diana 5 69
María 6 79
Pedro 7 88
Raquel 8 89
Juan 9 92
Luisa 10 92

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.

La moda es el valor más frecuente y

funciona bien con escalas nominales

24
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Comparaciones entre las diferentes medidas.

Las tres medidas de tendencia central, la media, mediana y moda, no son igualmente
útiles para obtener una medida de tendencia central. Por el contrario, cada una de
estas medidas tiene características que hacen que su empleo sea una ventaja en
ciertas condiciones y en otras no.

La media es la medida de tendencia central, generalmente más usada y tiene la

característica que incorpora todos los datos de la variable en su cálculo por lo tanto su
valor suele ser más estable. Además se suele preferir en la construcción de pruebas de
hipótesis, en la estadística inferencial. Se usa normalmente con datos de intervalo y de
razón constante y cuando las distribuciones tiene forma simétrica.

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

Un aspecto interesante entre las tres medidas es su comportamiento referente a la

simetría que toma una distribución. Cuando las distribuciones son simétricas, sin
sesgo, caso de la distribución Normal que tiene forma de campana, “la media, la
mediana y la moda coinciden”. Si la distribución es asimétrica con sesgo positivo, hay
más datos hacia la izquierda de la media, entonces “la media es mayor que la mediana
y esta mayor que la moda”. Si ocurre lo contrario, el sesgo es negativo, entonces “la
media es menor que la mediana y esta menor que la moda”.

Otras medidas de tendencia central.

La Media Geométrica.

La media geométrica se define como x g  n x1x2 x3..xn , por ejemplo la media

geométrica de los valores “4, 5, 4, 6” es x g  4 (4)(5)(4)(6)  4,68

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

Deciles, si el conjunto de valores, ordenados de de mayor a menor, se dividen en diez

partes iguales, los valores que dividen los datos se llaman deciles y son nueve, D1,
D2,..D9.
Percentiles, si se tiene un conjunto de datos muy numerosos y a este se lo divide en
100 partes iguales, cada valor que divide los datos se llama percentil, P1, P2, P3…P99.

1.4 Medidas de Dispersión o de Variabilidad

Las medidas de variabilidad indican la dispersión de los datos en la escala de medición.

Así como las medidas de tendencia central son valores en una distribución, las
medidas de dispersión son “intervalos”, distancias o un número de unidades en la
escala de medición. Este tipo de medida se complementa con las medidas de
centralidad y ambas permiten describir a la mayoría de las distribuciones. Los tipos de
medidas de Dispersión más comunes son: “el Rango”, “el Desvío Estándar” y la
“Varianza”.

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

escala de medición, para incluir los valores mínimo y máximo. Es la medida de

dispersión más fácil de calcular, pero también es la menos estable al estar fuertemente
influenciada por valores extremos atípicos.

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”.

Desvío Estándar “S”: 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.

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

Donde i es cualquier valor de “uno” a “n o N”, y “n” es el número total de datos de la

muestra y “N” de la población.

El desvío estándar, “S” o “”, se interpreta como cuanto se desvía en promedio y de la

media un conjunto de valores. Este valor se grafico como un intervalo. Esta medida
solo se utiliza con variables continuas u ordinales.

Cálculo de “S” por suma de cuadrados

El desvió estándar se puede expresa también de la siguiente manera:
𝑛𝑛 ʹ
𝑛𝑛 ͳ 𝑥𝑥
𝑥𝑥 ʹ −
𝑆𝑆 ൌ
ͳ 𝑛𝑛
𝑛𝑛 − ͳ

Esta forma de resolución es equivalente a la forma de cálculo tradicional, pero esta

descomposición es la más usada en estadística inferencial, por ejemplo en la
construcción de tablas de Análisis de Variancia, ANDEVA.

Ejemplo de cálculo de Desvío Estándar “S”

Con el ejemplo de las notas de matemáticas haremos cálculo de “S”

“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

Se sugiere hacer estos cálculos usando una calculadora científica en función

estadística.

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

los datos, expresado en porcentaje, 𝐶𝐶𝑉𝑉 ൌ  𝑆𝑆 ͳͲͲ . Este coeficiente permite

𝑋𝑋
comparar la variabilidad de diferentes muestras de una población ó la variabilidad entre
variables diferentes. En general un CV menor al 10 %, dice que los datos tienen poca
variabilidad, que es lo mismo que decir que los valores observados son en general,
cercanos al valor medio.

Interpretación de las medidas de tendencia central y de la variabilidad.

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.

En una variable continua: 1.

 La media, la mediana y la moda son puntos en una recta. 6

 El desvío estándar y el rango son intervalos. Ot

ra

30
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

s medidas útiles en Estadística Descriptiva.

Cuando los polígonos de frecuencia de una variable se presentan en forma de curva
hay dos medidas esenciales para describir estas curvas: “La Asimetría” y la “Curtosis”.

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

Las medidas calculadas a partir de las muestras, Ej. “ x ” “S” se llaman

ESTADÍSTICOS

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

 espacios: x  2 “S” y determinar cuantos datos entran en este intervalo.

 Gráficos de barras, histogramas y gráficos de pastel

1.7 Muestras y Población.

Llamaremos población a un conjunto homogéneo de elementos en el que se estudia

una característica dada. El censo es la forma de estudio de todos los elementos de una
población. Frecuentemente no es posible estudiar toda la población ya que suele ser
económicamente inviable o llevar tanto tiempo que es impracticable.

Como generalmente no se puede estudiar la población, se selecciona un conjunto

representativo de elementos de esta, que llamaremos muestra. Cuando la muestra

32
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

está bien escogida podemos obtener información de la población similar a la de un

censo, pero con mayor rapidez y menor costo.

La clave de un procedimiento de muestreo es garantizar que la muestra sea

representativa de la población. Por lo tanto cualquier información al respecto de las
diferencias entre sus elementos debe tenerse en cuenta para seleccionar la muestra,
esto origina diferentes tipos de muestreo, los cuales se describen a continuación.

Muestreo Aleatorio Simple

Es la manera más sencilla de hacer muestreo. Decimos que una muestra es aleatoria
cuando:
 Cada elemento de la población tiene la misma probabilidad de ser elegido.
 La población es idéntica en todas las extracciones de muestreo. Esta
característica es irrelevante si el tamaño de la población (N) es grande en
relación al tamaño de la muestra (n) .
Tenemos varias formas de calcular el “n”, número de de elementos de la muestra.
Cálculo de “n” por ecuación: Cuando la fracción n / N a priori se determina que será
mayor que 0.1, un método para determinar “n” de manera aproximada es el siguiente:
N*p*q
n
( N  1) * D  p * q
Donde:
 Los valores “p” y “q” cumplen que “p + q = 1” y generalmente se acepta que “p =
q = 0.5”.
 “D” es un valor que se vincula al error de estimación prefijado donde “D = B 2 /4”
 “B” es el error de estimación que se debe fijar y generalmente fluctúa entre 0.01
y 0.10 .
 “p x q“ es la variancia de una distribución binomial de una pregunta dicotómica,
con tiene 2 posibles respuestas.
Si bien este modelo es bastante teórico es un método muy usado para aproximar un
valor de “n” entrevistados, cuando se realiza investigación social.

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.

Esta estabilidad de promedios se puede observar gráficamente con un gráfico de

promedios. El primer promedio de este gráfico se hace con un dato de la población, el
segundo con dos datos, el tercero con tres datos y así sucesivamente, hasta que en el
gráfico los promedios casi no fluctúen entre muestra y muestra. A continuación se
muestra un ejemplo de 15 datos de notas que obtuvieron 15 estudiantes en la
asignatura de Física. En la fila tercera se calcularon los promedios consecutivos, con
un dato, dos datos, tres datos… hasta 15 datos. Se observa que a partir de 10 datos, el
promedio se estabiliza en el valor 75, el valor de “n”, tamaño de muestra para esta
variable estaría entre 11 y 12 datos.
72 68 82 88 65 79 89 92 67 69 75 79 71 78 75
x1 x2 x3 x4 x5 x6 x7 x8 x9 x 10 x 11 x 12 x 13 x 14 x 15
72 70 74 77 75 76 78 79 78 77 77 77 77 77 77

Gráfico de Estabilidad de Promedios

79

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

Gráfico de Estabilidad de Promedios

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.

Se denomina muestra estratificada aquél en que los elementos de la población se

dividen en clases o estratos. La muestra se toma asignando un número o cuota de
miembros a cada estrato y escogiendo los elementos por muestreo aleatorio simple
dentro del estrato.

En concreto si existen “k” estratos de tamaño N 1...Nk y tales que “N = N1 + N2 + ....+ Nk

“ se tomará una muestra “n” que garantice una presencia adecuada de cada estrato
“ni”.

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 por Conglomerados

Existen situaciones donde ni el muestreo aleatorio simple ni el estratificado son
aplicables, ya que no disponemos de una lista con el número de elementos de la
población ni en los posibles estratos. En estos casos típicamente los elementos de la
población se encuentran de manera natural agrupados en conglomerados, cuyo
número es conocido, por ejemplo la población rural se distribuye en comunidades y los
habitantes de un barrio en manzanas. Si suponemos que cada uno de estos habitantes
son parte de un conglomerado que pertenece a una población total de conglomerados
semejantes para una variable dada, podemos seleccionar algunos conglomerados al
azar y dentro de ellos analizar a todos sus elementos o una muestra aleatoria simple.
Este método se conoce como muestreo por conglomerados y tiene la ventaja de
simplificar la recogida de la información muestral, no es necesario visitar todos los
conglomerados para recolectar una muestra. El inconveniente obvio es que si los
conglomerados son heterogéneos entre sí, cómo se analizan solo algunos de ellos la
muestra final puede ser no representativa de la población, algo así sucede si estudio a
fondo una comunidad en lo referente a un opinión dada y supongo que los resultados
son representativos de un conjunto de comunidades, pero si esta comunidad estudiada
tiene opiniones distintas del resto, los resultados no serán representativos de la
población, por ejemplo las comunidades más ricas suelen tener opinión diferente a las
más pobres respecto a la ayuda social que da el estado

En resumen las ideas de estratificación y de conglomerados son opuestas, la

estratificación funciona tanto mejor cuanto mayor sean las diferencias entre los estratos
y más homogéneas sean estos internamente. Los conglomerados funcionan si hay
poca diferencia entre ellos y son muy heterogéneos internamente, que incluyan toda la
variabilidad de la población en el conglomerado.

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.

El muestreo sistemático puede utilizarse conjuntamente con el estratificado para

seleccionar le muestra dentro de cada estrato.

La regla general que se aplica a los procedimientos de muestreo es

que: “cualquier información previa debe utilizarse para subdividir la
población y asegurar mayor representatividad de la muestra”.

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:

Mendenhall . Estadística para administradores. México: Iberoamericana

37
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Sampieri, R; Fénández, C y Baptista, P (2003). Metodología de la Investigación.

México: Mc Graw Hill.

Spiegel, M y Stephens, L. (2002). Estadística. México: Mc Graw Hill.

Young y Veldaman . Introducción a la Estadística aplicado a las ciencias de la

conducta. México: Trillas.

Unidad 2. Teoría Elemental de Probabilidades

Objetivos

 Definir conceptos básicos de probabilidad

 Explicar las Reglas de Adición y Multiplicación..
 Valorar la importancia de la probabilidad para la selección de una muestra
 Introducir la probabilidad condicional y Bayesiana

2.1 Introducción a las Probabilidades

Con esta teoría se estudia fenómenos naturales con
el fin de descubrir regularidades en la ocurrencia de
los mismos. Sus fundamentos aunque parezca
extraño se basó en un inicio en el estudio de los
juegos al azar (dados, cartas, ruletas, etc), así
comenzó esta ciencia en la Francia Monárquica.
Sus aplicaciones hoy día abundan desde ramas de
las ciencias como por ejemplo en la genética
mendeliana, genética de poblaciones, análisis de
experimentos, predicciones del tiempo, predicción de ataque de plagas, etc. En nuestra
vida diaria aplicamos inconscientemente probabilidades cuando compramos un billete
de lotería o llevamos un paraguas cuando vemos el cielo nublado.

2.2 Términos Básicos.

Experimento: Es el proceso que permite obtener una o varias observaciones.
38
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Espacio Muestral “S” ó “  ”,: Todos los posibles resultados de un experimento.

Evento “A”: Algún resultado del experimento que nos interesa.

Ejemplo: Experimento: tirar un dado.

Espacio muestral “  ”= (1, 2, 3, 4, 5, 6)
Evento “A” = sale 3.

Probabilidades: La probabilidad de un evento “A” se define

como la frecuencia relativa de “A” en el espacio muestral “ 
”y se denota como P(A).

Por ejemplo si en una comunidad hay 64 campesinos que

siembran frijol de forma manual y 16 con bueyes. En este
caso hay 2 eventos: Siembra manual y Siembra con bueyes
y existe la P(bu) y la P(ma) asociados a la frecuencia de ocurrencia de cada evento. La
probabilidad que al elegir una parcela al azar esta fue sembrada de forma manual
P(ma) es de 16/80 = 0.20 ó 20 % .

P(A) = # casos favorables / # casos Totales de  = #A / #

elementos de 
Se debe considerar que la P(A) se hace más real en la medida el número de
elementos de  se hace más grande
2.3 Propiedades de la Probabilidad
 0  P(A)  1
 El evento A es más probable que B  P(A)  P(B)
 Un Evento cierto, que seguramente ocurre, tiene probabilidad 1.
 Un Evento imposible, que nunca ocurrirá, tiene probabilidad 0.

39
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Regla del producto.

Si dos evento “A” y “B” son independientes si “A” no influye de ninguna manera en “B” y
viceversa. La probabilidad que los eventos independientes “A”y “B” ocurran al mismo
tiempo es P(A y B) = P(AB) = P(A) x P(B)

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.

Si los sucesos son independientes: P(A) x P (B) es igual p(A  B)

Otro enfoque de mirar independencia es, dos eventos A y B son independientes si y

sólo si: P(A/B) = P(A) y P (B/A) = P(B) o, que es lo mismo: P(A  B) = P(A) x P(B)

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

Como la probabilidad está ligada a nuestra ignorancia sobre los resultados de la

experiencia, el hecho de que ocurra un suceso, puede cambiar la probabilidad de los
demás. El proceso de realizar la historia de un caso, explorar y realizar pruebas
complementarias ilustra este principio.

La probabilidad de que ocurra el suceso A si ha ocurrido el suceso B, “P (A\B)”, se

denomina probabilidad condicionada y se define.

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).

De lo anterior se deduce que: 𝑃𝑃 𝐴𝐴 ∩ 𝐵𝐵 ൌ 𝑃𝑃 𝐴𝐴̳𝐵𝐵 Ǥ 𝑃𝑃ሺ𝐵𝐵ሻ

Ejemplo:

Se conoce que a los estudiantes de la UNI tienen las siguientes preferencias en el

consumo de gaseosas:
Consumo de Gaseosas Varones Mujeres Total
por semana
No consume 30 10 40

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:
𝑃𝑃ሺ𝐶𝐶൅ͷ ∩𝑆𝑆𝑣𝑣 ሻ
P(C+5\Sv) = = (20/150) / (100/150) = 20/100= 0.2, donde “C” es por
𝑃𝑃ሺ𝑆𝑆𝑣𝑣 ሻ

consumo y “S” por sexo.

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?

2.3 Teorema de Bayes

Regla de la probabilidad total

Se llama partición a un conjunto de sucesos Ai tales que.

A1  A2  ...  An =  y Ai  Aj =  i j

Es decir, son un conjunto de sucesos mutuamente excluyentes y que cubren todo el

espacio muestral.

A1 A2

An

Regla de la probabilidad total: Si un conjunto de sucesos A i forman una partición del

espacio muestral y p(Ai)  0  Ai, para cualquier otro suceso B se cumple

43
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

A1 A2

B
An

𝑷𝑷 𝑩𝑩 ൌ 𝑷𝑷 𝑩𝑩 ∩ 𝑨𝑨𝟏𝟏 ൅ 𝑷𝑷 𝑩𝑩 ∩ 𝑨𝑨𝟐𝟐 ൅Ǥ Ǥ ൅𝑷𝑷 𝑩𝑩 ∩ 𝑨𝑨𝒏𝒏

𝒏𝒏

𝑷𝑷 𝑩𝑩 ൌ 𝑷𝑷 𝑩𝑩̳𝑨𝑨𝟏𝟏 𝑷𝑷 𝑨𝑨𝟏𝟏 ൅ 𝑷𝑷 𝑩𝑩̳𝑨𝑨𝟐𝟐 𝑷𝑷 𝑨𝑨𝟐𝟐 ൅Ǥ Ǥ ൅𝑷𝑷 𝑩𝑩̳𝑨𝑨𝒏𝒏 𝑷𝑷 𝑨𝑨𝒏𝒏 ൌ 𝑷𝑷 𝑩𝑩̳𝑨𝑨𝒊𝒊 𝑷𝑷ሺ𝑨𝑨𝒊𝒊 ሻ

𝒊𝒊ൌ𝟏𝟏

Siendo P(B) la probabilidad total, la cual se puede interpretar como un promedio

ponderado de los diferentes 𝑷𝑷 𝑩𝑩̳𝑨𝑨𝒊𝒊 𝑷𝑷ሺ𝑨𝑨𝒊𝒊 ሻ

Planteo del Teorema de Bayes

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:

Tres máquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del total de

las piezas producidas en una fábrica. Los porcentajes de producción defectuosa de
estas máquinas son del 3%, 4% y 5%.

a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea defectuosa.

(probabilidad Total)

44
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la probabilidad de

haber sido producida por la máquina B.
c. ¿Qué máquina tiene la mayor probabilidad de haber producido la citada pieza
defectuosa?

Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa". La información del

problema puede expresarse en el diagrama de árbol adjunto.

a. Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por la
propiedad de la probabilidad total,

P (Total) =P(D) = P(A) · P(D\A) + P(B) · P(D\B) + P(C) · P(D\C) =

= 0.45 x 0.03 + 0.30 x 0.04 + 0.25 x 0.05 = 0.038

Resolución por diagrama de árbol. Un diagrama de árbol es una representación gráfica

de un experimento que consta de pasos, donde cada uno de los pasos tiene un número
finito de maneras de ser llevado a cabo.

Prob. Máquina Prob. Tipo de

producción
0.45 A 0.03 D
0.97 N
0.30 B 0.04 D
0.96 N
0.25 C 0.05 D
0.095 N

b. Debemos calcular P(B\D). Por el teorema de Bayes,

45
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

PB .PD / B 
P B / D  
P A.PD / A  PB .PD / B   PC .PD / C 


0.300.04 
12
 0.316
0.450.03  0.30.04  0.250.05 38

c. Calculamos P(A\D) y P(C\D), comparándolas con el valor de P(B\D) ya

calculado. Aplicando el teorema de Bayes, obtenemos:

P A / D  
0.450.03 
135
 0.355
0.450.03  0.30.04  0.250.05 380

PC / D  
0.250.05 
125
 0.329
0.450.03  0.30.04  0.250.05 380

La máquina con mayor probabilidad de haber producido la pieza defectuosa es A

Ejercicio 2.2 El reporte meteorológico ha anunciado tres posibilidades para el día de

mañana: que llueva: probabilidad del 50%, que salga el sol: probabilidad del 30% y
que esté nublado: probabilidad del 20%.
Según estos posibles estados meteorológicos y datos históricos de comportamiento
vehicular, la posibilidad de que ocurra un accidente es la siguiente: si llueve:
probabilidad de accidente del 20%, si sale el sol: probabilidad de accidente del 10% y si
está nublado: probabilidad de accidente del 5%.

46
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Si se sabe que ocurrió un accidente,

¿Cuál es la probabilidad de que haya llovido?
¿Cuál es la probabilidad de que haya salido el sol?
¿Cuál es la probabilidad de que haya estado nublado?

2.4 Técnicas de conteo: Combinaciones y Permutaciones

Las técnicas de conteo son aquellas que son usadas para enumerar eventos difíciles
de cuantificar.
Combinaciones:
La expresión "Cm,n" representa las combinaciones de "m" elementos, formando
subgrupos de "n" elementos. Para calcular el número de combinaciones se aplica la
siguiente fórmula:

m!
Cm.n 
n!(m  n)!

El término " n ! " se denomina "factorial de n" y es la multiplicación de todos los

números que van desde "n" hasta 1.
Por ejemplo: 4 ! = 4 * 3 * 2 * 1 = 24
Ejemplo: C10,4 son las combinaciones de 10 elementos agrupándolos en subgrupos de
4 elementos sin importar el orden:

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)

Es decir, podríamos formar 210 subgrupos diferentes de 4 elementos, a partir de los 10

elementos.
Por ejemplo: Si tomamos el conjunto A={a,b,c,d}, ¿cuántos subconjuntos de 2
elementos cada uno se pueden obtener?
Haciéndolos se obtienen: {a,b}, {a,c}, {a,d}, {b,c}, {b,d}, {c,d}. Son seis los subconjuntos.

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)!

Ejemplo: P(10,4) son las permutaciones de 10 elementos agrupándolos en subgrupos de

4 elementos:

10! 10.9.8.7.6.5.4.3.2.1
P10,4    5,040
(10  4)! 6.5.4.3.2.1

Es decir, podríamos formar 5.040 subgrupos diferentes de 4 elementos, a partir de los

10 elementos.
Ejemplo: Sea A= letras {a,b,c,d}, ¿cuántos "conjuntos" de dos letras se pueden
obtener?
Lo que se pide es formar permutaciones u ordenaciones de 2 letras, cuando el total de
letras es 4. En este caso n=2 y m =4. Las "palabras" de 2 letras formadas son: aa, ab,
ac, ad, ba, bb, bc, bd, ca, cb, cc, cd, da, db, dc, dd. En total son 16.

Bibliografía y Documentos Consultados

Abraira V. PROBABILIDAD.. Centro de Estudios Ramón Areces. Madrid. 1996.

Dicovskiy, L. Módulo Nro 1. Bioestadística. Folleto de clase. UCATSE.

Sampieri R, Collado C y Lucio P. 2004.Metodología de la Investigación. Tercera 

Edición edit. Mc Graw Hill.

48
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Vermeer I.1996. Estadística, Curso Básico. EAGE. 104 p.

Unidad 3. Variables aleatorias y sus distribuciones.

Objetivos

 Aplicar el concepto de variable aleatoria

 Explicar las distribuciones más usadas en la ingeniería
 Identificar que modelos se usan con variables discretas y continuas

3.1 Distribuciones de Frecuencia, Introducción.

“Los modelos estadísticos son un puente entre la muestra observada y la

población desconocida.”

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.

Para generalizar podemos usar modelos estadísticos teóricos diseñados por

estadísticos famosos como Gauss, Fisher, Gosset y otros.

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

Las distribuciones de probabilidad están relacionadas con las distribuciones de

frecuencias. Una distribución de frecuencias teórica es una distribución de
probabilidades que describe la forma en que se espera que varíen los resultados.
Debido a que estas distribuciones tratan sobre expectativas de que algo suceda,
resultan ser modelos útiles para hacer inferencias y para tomar decisiones en
condiciones de incertidumbre.

Las distribuciones de probabilidad son idealizaciones de los polígonos de

frecuencias. En el caso de una variable estadística continua consideramos el
histograma de frecuencias relativas, y se puede comprobar que al aumentar el número
de datos y el número de clases el histograma tiende a estabilizarse llegando a
convertirse su perfil en la gráfica de una función.

Una distribución de frecuencias es un listado de las frecuencias observadas de todos

los resultados de un experimento que se presentaron realmente cuando se efectuó el
experimento, mientras que una distribución de probabilidad es un listado de las
probabilidades de todos los posibles resultados que podrían obtenerse si el
experimento se lleva a cabo.

Las distribuciones de probabilidad pueden basarse en consideraciones teóricas o en

una estimación subjetiva de la posibilidad. Se pueden basar también en la experiencia.

Las distribuciones de probabilidad se clasifican como continuas y discretas. En la

distribución de probabilidad discreta la variable aleatoria, la que toma los posibles
resultados del experimento, sólo toma un número limitado de valores, por ejemplo que
un ladrillo tomado “sea defectuoso” o “no”. En una distribución de probabilidad
continua, la variable que se está considerando puede tomar cualquier valor dentro de
un intervalo dado, por ejemplo “los ladrillos de una población que pesen entre 1,5-1,6
Kg”. Las distribuciones continuas son una forma conveniente de presentar
distribuciones discretas que tienen muchos resultados posibles, todos muy cercanos
entre sí.

50
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

3.2 Variables aleatorias.

Una variable es aleatoria si toma los valores de los resultados de un experimento

aleatorio. Esta variable puede ser discreta o continua. De manera general se puede
decir que si el experimento toma un número finito de valores o un número infinito pero
numerable, que se puede contar, tenemos una variable aleatoria discreta. En el otro
extremo, si el experimento puede tomar cualquier valor dentro de un intervalo dado,
entonces se trata de una variable aleatoria continua, generalmente son aquellas
variables que se miden ó se pesan. Las variables aleatorias definidas sobre espacios
muestrales discretos se llaman variables aleatorias discretas y las definidas sobre
espacios muestrales continuos se llaman continuas.

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”.

La distribución de probabilidad de una variable aleatoria proporciona una probabilidad

para cada valor posible, y estas probabilidades en su totalidad deben sumar uno.

Función de densidad de probabilidad: función que mide concentración

probabilidad alrededor de los valores de una variable aleatoria. A cada valor de una
variable aleatoria discreta o a un intervalo de una variable aleatoria continua, le
corresponde una probabilidad asociada.

51
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Ejemplo: Va a nacer tres bebes. Representamos “varón” por v y “niña” por ñ.

S = {vvv, vvñ, vñv, ñvv, vññ, ñvñ, ññv, ñññ}

La probabilidad de cada suceso elemental es 1/8. Por ejemplo p (vvv)=1/8, ya que la

probabilidad de nacer un varón en un nacimiento es 1/2 según la definición clásica y los
nacimientos son independientes, p(vvv)= (½)3.

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

1 {vññ, ñvñ, ññv} 3/8

2 {vvñ, vñv, ñvv} 3/8

3 {vvv} 1/8

A esta función se le denomina función densidad de probabilidad (fdp), que "funciona"

de distinta manera en las variables discreta que en las continuas. En el caso de las
variables discretas, como en el ejemplo, es una función que para cada valor de la
variable hay una probabilidad.

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

Para las variables aleatorias de interés hay tablas, y programas de computacionales,

donde buscar esos valores.

Distribución acumulativa o función de distribución

Función que acumula probabilidades asociadas a una variable aleatoria. Su notación es

F(x) = p(X x). Para el ejemplo anterior, F (X) es:

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



La probabilidad de que la variable esté dentro de un intervalo [a - b] se calcula:

P (a< x < b) = F(b) - F(a)

La probabilidad de que la variable continua tome un valor particular se puede expresar

como: F(c) - F(c) = 0. Esto explica la idea de que para el caso de una variable aleatoria
continua no tiene sentido trabajar con la probabilidad de un valor particular, ya que esta
vale 0. Por ejemplo de una población de personas, la probabilidad que una persona

53
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

pese exactamente 1.75000… cm es de cero. Sin embargo hay posibilidad para un

intervalo dado de altura como 1,70-1.80 cm.

Parámetros característicos de una función de densidad de

probabilidad.

Valor esperado o esperanza matemática o media

 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  Eh( x)   h( x) f ( x) Caso discreto


 x  Eh( 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

Obsérvese que es un número que la variable aleatoria no puede alcanzar.

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

¿Cuál es el valor medio de esta función?

6
1 1 1
x   h( x) f (x)  100 6  100 6  500 6  0  0  0  116.6
x 1

¿Qué significa? es el valor medio a la larga: si se juega un número grande de veces la

ganancia final es como si en cada jugada se hubiera ganado 116,6 C$. Si la apuesta
costara menos de eso el juego sería ventajoso para el jugador, si costara más, para la
banca. Se debe considera que el juego sería justo si la apuesta costara exactamente
116.6 C$.

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.

Ejemplo de cálculo de varianza:

Si ocurren tres nacimientos de bebes, la esperanza y la varianza de la variable

aleatoria X “varones nacidos” es:

E (X) = 0* 1/8 + 1* 3/8 + 2* 3/8 + 3 * 1/8 = 3/2= 1,5

 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

El Desvío Estándar y el Teorema de Chebyshev

Es conocida en el área de la probabilidad y estadística, la desigualdad de Chebyshev,
matemático Ruso del siglo XIX, que dice que la probabilidad de que una variable
aleatoria esté distanciada de su media en más de “a” veces la desviación estándar, es
menor o igual que”1/a2”. Si E(x) es la media (o la esperanza matemática) y σ es la
desviación estándar, entonces podemos redefinir la relación como:

56
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

1
P( x  E ( x)  a ) 
a2

Tomando en cuenta el teorema de Chebyshev se puede construir las siguientes reglas

sobre el uso del desvío estándar:

Según el teorema de Chebyshev, y sin importar el tipo de distribución de

los datos, se cumple que:
 El intervalo x  2 “S” contendrá al menos ¾ de los datos.
 El intervalo x  3 “S” contendrá al menos 8/9 de los datos.

3.3 Distribución Normal

La distribución Normal es un modelo teórico para variables aleatorias y continuas y
representa la distribución de frecuencias de una población de valores.
La curva normal es una campana simétrica cuya forma y posición depende de dos
parámetros
  , media poblacional, que se localiza en el centro de la del eje horizontal.
  , desviación estándar que determina el ancho de la curva.

Para una variable “x” con media  y desviación estándar  , que está normalmente
distribuida, escribimos: “x” es N (  ,  ).

La función de densidad de la distribución normal es:

(x)2
1  2
f ( x)  e 2
 2

57
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Ejemplo de una distribución de frecuencias de Mg. de Aflotoxinas (toxinas) en maíz y la

curva Normal teórica que genera el programa SPSS.

Histograma de frecuencias y curva teórica Normal

30

20

10
Frecuencia

0
5 10 15 20 25 30 35 40 45 50 55 60 65 70

Cantidad de Aflatoxinas en mg en maiz

Si un Distribución de datos tiene aproximadamente el perfil o forma de campana

se cumple que:
 El intervalo   “” contendrá aproximadamente el 68 % de los datos.

 El intervalo   2 “” contendrá aproximadamente el 95 % de los datos.

 El intervalo   3 “” contendrá aproximadamente casi la totalidad de los

datos.

Un tipo de distribución Normal especial es la distribución Normal Tipificada (0,1),

simbolizada con la letra “z”. Esta distribución se usa mucho para resolver pruebas de
hipótesis ya que cualquier dato “xi” de una variable normal (  ,  ) se puede convertir
en dato “zi” de una variable normal tipificada con la siguiente transformación

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.

Función de densidad distribución normal tipificada

Normal(0,1): p(evento)=0.9500
0.40

0.30
Densidad

0.20

0.10

0.00
-3.00 -2.00 -1.00 0.00 1.00 2.00 3.00
Variable

Ejercicio 3.2. Si el promedio de edad de los alumnos de la universidad es de 21 años,

con un desvío estándar de 3.2 años. ¿Cuál es la probabilidad que un estudiante tenga
más de 28 años?

𝑍𝑍ʹͺ ൌ ʹͺ − ʹͳ ͵Ǥʹ ൌ ʹǤͳͺ͹ͷ , 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 3.5 El promedio de notas de un grupo de estudiantes es 70 y el desvío

estándar es 10. ¿Cuál es la probabilidad que un estudiante obtenga más de 80 ptos.?
¿Cuál es la proporción de aplazados esperados (P<60 ptos.)?

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

3.4 Distribución “t” de Student.

La curva Normal y Normal Tipificada son modelos teóricos adecuados para describir
muchas poblaciones, basándose en dos parámetros  y  . Sin embargo por lo
general, trabajamos con muestras, con  y  desconocidos, lo que da alguna
inseguridad sobre el modelo empleado al desconocerse estos parámetros. Un
investigador, Gosset (seudónimo Student) estudio este problema y llegó a la conclusión
que la distribución Normal no funciona bien con muestras pequeñas, de tamaño menor
a 30 datos, y encontró una distribución que supera este problema. Luego esta
distribución se llamaría “t” de Student en honor a Gosset.

Esta distribución es simétrica, con forma de campana y su promedio vale 0. Cuando

hay pocos datos la campana es más aplanada que una campana Normal, con de 30
datos la distribución “t” es casi igual que la distribución Normal Tipificada (0,1).

Esta Distribución se usa mucho para construir de intervalos de confianza de  y

realizar pruebas de hipótesis de uno y dos promedios con variables continuas.

61
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Función de densidad Distribución "t"

0.40 n=100

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.

Si la muestra aumenta a 300 estudiantes el valor de “P” es de 0.14, igual al obtenido

de la normal, lo que demuestra con muchos grados de libertad la distribución “t” es casi
igual a una distribución Normal 0,1.

62
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Gráfico de Función de Densidad de una Distribución “t” con 29 gl

0.4 T Student(29): p(evento)=0.0185

0.3
Densidad

0.2

0.1

0.0
-3.00 -1.50 0.00 1.50 3.00
Variable

3.5 La distribución X2 de Pearson.

La distribución X2 se genera a partir de “n” variables aleatorias independientes
normales con media “0” y varianza “1” . Si realizamos la siguiente operación:

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.

Este tipo de distribución se usa en pruebas de hipótesis sobre:

 Distribuciones, por ejemplo para verificar si una distribución observada se
comporta como una distribución Normal.
 Independencia, para verificar si dos variables discretas son independientes o no.

63
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Función de densidad de una Distribución Chi cuadrada

0.24

0.18

Densidad
0.12

0.06

0.00
0.00 3.81 7.62 11.44 15.25
Variable

3.6 La distribución “F” de Fisher.

La distribución “F” de Fisher surge del cociente de dos distribuciones X 2

independientes, con “n” y “m” grados de libertad respectivamente. Un valor “F” se
define matemáticamente de la siguiente manera:

X n2
Fn, m  n
Xm 2
m

La distribución de “F” es asimétrica y comienza del valor “0”, no posee valores

negativos, al igual que la distribución X2.

Este tipo de distribución se usa mucho con pruebas de hipótesis de promedios ,

Análisis de Variancia, donde:
 Hipótesis nula, los promedios de los tratamientos pertenecen a un mismo
promedio poblacional

H 0 : x1 , x 2 .... x n  
64
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

 Hipótesis alternativa, al menos un promedio de los tratamientos evaluados no

pertenecen al mismo promedio poblacional

Función de densidad de una distribución "F"

H1 : x1 , x2 .... xn  
0.6

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).

Un experimento Binomial tiene las siguientes características:

 Las observaciones se clasifican en dos categorías, por ejemplo A = aceptable y
D = defectuoso.
 La proporción de elementos A y D en la población es constante y no se
modifica, siendo en este caso “p” la probabilidad de defectuosos y “q” la
probabilidad de aceptables.

65
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

 Las observaciones son independientes, es decir que la probabilidad de elemento

defectuoso es siempre la misma y no se modifica por cualquier combinación de
elementos defectuosos o aceptables observados.

Ejemplos de este proceso son:

 Observar cinco de cerdos hembras de una camada de 12 lechones recién
nacidos,
 Ganar 4 veces apostando a docena en diez tiradas sucesivas de una ruleta
 La aparición de 10 plantas planta enferma en 100 plantas de cultivo.
 Tener 5 ladrillos defectuosos en un lote de 500 ladrillos.

Generalizando, la variable binomial posee siempre 2 eventos, por ejemplo “A” y “B”. Se
define como “r”:

r = número de elementos del evento “A” al observar “n”

experimentos

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

Estos problemas se pueden resolver directamente o con una tabla de probabilidades

binomiales.

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:

B(n,p) se aproxima a un distribución normal, N (np, npq )

Veamos un ejemplo donde se usa esta distribución, ¿Cual es la probabilidad de nacer 5

varones en 12 nacimientos? Este problema se puede resolver con un diagrama de
árbol de probabilidades, pero se hace muy complicado. Por distribución Binomial se
resuelve el problema de la siguiente manera.
Si sabemos que:
 “A” evento varón
 “B” evento no varón, es decir mujer.
 “p” probabilidad de varón = 0.5
 “q” probabilidad de mujer = 0.5
 “n” son 12 nacimientos totales
 “r” son 5 nacimientos de varones
Por lo tanto:
 12  5 125
P ( 5 varones ) =  0.5 0.5
5

 12 
Donde    12!/ 5!(12  5)! = 792
5

67
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

P ( 5 varones ) = 792(0.55 )0.57 = 792 (0.03125) (0.0078125) = 0.19

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?

Ejercicio 3.10. Si de seis a siete de la tarde se admite que un número de teléfono de

cada cinco está comunicando, ¿cuál es la probabilidad de que, cuando se marquen 10
números de teléfono elegidos al azar, sólo comuniquen dos?

3.8 Distribución de Poisson

En teoría de probabiliddes y estadística, la distribución de Poisson es una distribución
de probabilidad discreta. Expresa la probabilidad de un número de eventos ocurriendo
en un tiempo fijo si estos eventos ocurren con una tasa media conocida, y son
independientes del tiempo desde el último evento. La distribución fue descubierta por
Siméon Poisson en 1781–1840.

Una característica de la distribución de probabilidades binomial es que se hace cada

vez más sesgada a la derecha conforme la probabilidad de éxitos disminuye. La forma
límite de la distribución binomial donde la probabilidad de éxito es muy pequeña y n es

68
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

grande se llama distribución de probabilidades de Poisson. La distribución de Poisson

se puede describir matemáticamente por la fórmula:

 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”.

En general utilizaremos la distribución de Poisson como una aproximación de

experimentos binomiales donde el número de pruebas es muy alto, pero la probabilidad
de éxito muy baja. En la práctica esta distribución se utiliza para calcular la
probabilidad de un número específico de eventos, durante un período o espacio
particular. El tiempo o la cantidad de espacio suele ser la variable aleatoria.

Ejemplo: un Hospital se especializa en el cuidado de lesiones menores. En las horas de

la tarde de 6-10 PM el número medio de llegadas es 4.0 personas por hora.
¿Cuál es la probabilidad de 4 llegadas en una hora?
P(4) = (44) (e-4) / 4!= 0.1954.

Ejercicio 3.11. La producción de computadoras trae asociada una probabilidad de

defecto del 1.5%, si se toma un lote o muestra de 100 computadoras, obtener la
probabilidad de que existan 4 computadoras con defectos.

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 3.13 El 6% de los registros contables de una empresa presentan algún

problema, si un auditor toma una muestra de 50 registros ¿ Calcular probabilidad de
que existan 5 registros con problemas ?

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?

Bibliografía y Documentos Consultados

Cebrían, M. 2001. Distribuciones continuas. Ministerio de Educación y ciencia. España.
http://descartes.cnice.mecd.es/Bach_HCS_2/distribuciones_probabilidad/dis_continu
as.htm
Dicovskiy, L.1998. Módulo Nro 3. Bioestadística. EAGE. Folleto de clase.
CYTA. Guía de Estadísticas. Distribución de Poisson
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/guia_estadistica/index.htm.
Hospital Universitario Ramón y Cajal. Material docente de la Unidad de Bioestadística
Clínica. Madrid. http://www.hrc.es/bioest/M_docente.html#tema2
Kessler, M. 2005. Apuntes de Métodos estadísticos de la Ingeniería
http://filemon.upct.es/~mathieu/metodos/teoria/pdftema3.pdf
Peña D. Estadística 1, modelos y métodos, Fundamentos. 551 p.

Vermeer I..1996. Estadística, Curso Básico. EAGE. 104 p.

70
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Zadú, I. Metodología. Variable Aleatoria.

http://www.southlink.com.ar/vap/VARIABLE%20ALEATORIA.htm

71
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

Unidad 4. Estimación y prueba de hipótesis.

Objetivos

 Desarrollar el concepto de estimación de parámetros

 Explicar que es una prueba de hipótesis
 Diferenciar grupos de una población utilizando pruebas de Student
 Diferenciar grupos de una población usando pruebas de varianzas
 Realizar pruebas de independencia chi cuadrado

Se debe poder hacer conclusiones generales para toda la

población, a partir del estudio de las muestras.

4.1 Estimación por Intervalos de Confianza.

En estadística se llama estimación al conjunto de técnicas que permiten dar un valor
aproximado de un parámetro (Ej.:  ,  ) de una población a partir de estadísticos,

generados por los datos (Ej: x , S, n). Un estimador puntual de un parámetro es un

valor que puede ser considerado representativo de este y se obtiene a partir de alguna
función de la muestra, por Ej. x , promedio muestral, estima puntualmente a  , el
promedio poblacional.

La estimación por intervalos consiste en la obtención de un intervalo dentro del cual

estará el valor del parámetro estimado, con una cierta probabilidad. Un uso de la
distribución Normal y de la “t” de Student es la creación de Intervalos de confianza,
estimación por intervalos, de los promedios poblacionales,  .

El promedio poblacional,  , se estima por un intervalo calculado a partir de “S” y x de

muestras.

72
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

El intervalo de confianza de  con un 95 de confianza, IC 95 % , es el más usado y para

muestras de más de 30 datos se calcula como :

IC 95 % = x  1.96 ( s / n )

Para menos de 30 datos se usa:

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 IC 95 % nos dice que con un 95 % de confiabilidad en este intervalo encuentro el

promedio de la población, el cual desconozco. Para esto necesito conocer de la

muestra los siguientes estadísticos: x , S y “n”.

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

Gráfico de Promedios e Intervalos de Confianza de  , “t95%”, desagregada por

sexo, de la Edad de una población adulta.

49

48

47

46

45

44

43

42
Ho mbre Mujer

Sexo

En este tipo de gráfico es interesante observar si los intervalos de confianza de los

diferentes promedios tienen valores superpuestos, ya que si es así, al hacer una
prueba de hipótesis lo más probable que la respuesta sea de hipótesis nula, es decir
los “promedios superpuestos” pertenecen a un mismo promedio poblacional.

4.2 Generalidades de las pruebas de Hipótesis

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.

La hipótesis formulada con intención de rechazarla se llama hipótesis nula y se

representa por H0. Rechazar H0 implica aceptar una hipótesis alternativa (H 1).

La situación se puede esquematizar:

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

= p (rechazar H0 siendo H0 cierta)

 = p (aceptar H0 siendo H0 falsa)
Potencia =1- = p (rechazar H0 siendo H0 falsa)

Detalles a tener en cuenta

1  y  están inversamente relacionadas.

2 Sólo pueden disminuirse las dos, aumentando n.

Los pasos necesarios para realizar un contraste relativo a un parámetro θ son:

1. Establecer la hipótesis nula en términos de igualdad

H0: θ = θ0

2. Establecer la hipótesis alternativa, que puede hacerse de tres maneras,

dependiendo del interés del investigador

H0: θ ≠ θ0 ó θ > θ0 ó θ < θ0

En el primer caso se habla de contraste bilateral o de dos colas, utilizada generalmente

con la distribución Normal o la “t” de Student . En los otros dos casos se tiene un
contraste lateral derecho en el segundo caso, o izquierdo en el tercer caso, ambos
son pruebas de una cola. Con la distribución X2 y la “F”, por ser distribuciones
asimétricas positivas los contrastes son unilaterales por el lado derecho.

3. Elegir un nivel de significación: nivel crítico para generalmente del 5 %.

75
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

4. Elegir un estadístico de contraste y verificar hipótesis: Este estadístico de

contraste es un estadístico cuya distribución es conocida en H0, que esté relacionado
con θ y permite establecer, en base a dicha distribución, la región crítica: región en la
que el estadístico calculado tiene una probabilidad menor que 

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.

5. Calcular el estadístico para una muestra aleatoria y compararlo con la región

crítica. Si el estadístico tiene en valor absoluto, un valor menor al valor tabular de la
distribución conocida correspondiente al  se acepta H0.

Esto es equivalentemente calcular el "valor p" del estadístico (probabilidad de obtener

ese valor, u otro más alejado de la H0, si H0 fuera cierta) y compararlo con valor de .
Este valor “p” es el valor de una integral y generalmente lo calculan los programas
estadísticos como el Infostat o SPSS. Si el valor de es el 5 % la regla de decisión
para aceptar o rechazar una hipótesis en pruebas unilaterales es la siguiente:

 Si el valor “p” calculado es > a 0.05 ocurre H0

 Si el valor “p” calculado es ≤ a 0.05 ocurre H1

4.3 Prueba de hipótesis con pruebas “t”

El promedio de una muestra pertenece a población con promedio conocido.

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.

La hipótesis nula es H0: x

76
Estadística I Luis María Dicovskiy Riobóo
 UNI Norte

El estadístico de contraste es el valor “t” calculado:

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

Este un contraste lateral derecho.

Fijamos "a priori" el nivel de significación en 0,05 y la región crítica T>t

Si el contraste hubiera sido lateral izquierdo, la región crítica sería T<t1-
y si hubiera sido bilateral T<t1- /2 o T>t /2 . En este ejemplo t(35)0,05=1,69.

Calculamos el valor de tc en la muestra

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.

Dos promedios tomados en una misma muestra, en momentos diferentes, son

iguales.

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).

Los promedios de dos muestras o grupos pertenecen a una misma población.

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

La hipótesis nula es H0: = , la hipótesis alternativa es H0: ≠ 

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

En un ensayo para evaluar la vida útil de dos productos. La variable medida es el

tiempo de vida útil en años: producto “T”, n = 35; x = 3,7 años de vida y s2 =13,9;
producto “P” n = 40; x = 15,1 años y s2 = 12,8. ¿El producto “P” tiene igual vida útil que
el producto “T”? Se trata de un contraste sobre diferencias de medias

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