ESPA II. Módulo IV. Bloque 7. Somos lo que comemos. Las personas y la salud.

B7 Tema 3. ESTUDIO ESTADÍSTICO

Según un estudio del año 2014 del Instituto Nacional de Estadística (INE) el 35,7% de las personas de 18 y más años tiene
sobrepeso y un 16,9% presenta obesidad. Un 2,9% de los españoles no desayuna nada.
En 2015 los hogares redujeron la compra de fruta fresca en un 3,7% pero la subida del precio medio que fue del 4,9% (Informe
Consumo Alimentario del Ministerio Agricultura, Alimentación y Medio Ambiente).
Ahora plantéate lo siguiente:
▸ ¿Has entendido la información?

▸ ¿Cómo sabe el INE y el Ministerio de Agricultura todo eso si no nos han preguntado? ¿A quiénes
preguntan?
▸ ¿Qué cuentas han hecho los del INE para saber toda esa información?
La Estadística es una parte de las Matemáticas que se ocupa de estudiar grandes cantidades de datos sobre
un tema concreto. A través de encuestas o por mediciones sistemáticas se obtienen los datos y haciendo
cuentas con ellos se pueden sacar conclusiones útiles sobre hábitos de alimentación saludable y muchos otros
temas, para intentar entender su significado y poder tomar decisiones en variados asuntos.
Basándose en los estudios estadísticos, los gobiernos diseñan sus planes de gestión del medio ambiente y de
otros asuntos; los partidos políticos planifican sus estrategias electorales; y las empresas sondean los posibles
mercados y la evolución de sus negocios para proyectar sus inversiones.
Para hacer un estudio estadístico hay que planificar el trabajo con los siguientes pasos:
▸ conocer los datos objetivos

▸ ordenarlos

▸ analizarlos

▸ sacar conclusiones.

1. ¿Cómo se empieza un estudio estadístico?

Para realizar un estudio estadístico, tenemos que tener claro:
▸ ¿Qué queremos saber?

▸ ¿De quién queremos saber la información?

▸ ¿Cómo obtenemos los datos?

1.1. ¿Qué q ueremos saber?
Puede que el objeto de nuestro estudio haya que averiguarlo preguntando a un grupo más o menos numeroso
de personas mediante un cuestionario: número de comidas al día, kilos de fruta comprados a la semana, tiempo
dedicado al ejercicio, marca favorita de yogurt, situación laboral, opiniones políticas, etc. Cada respuesta dada es
un dato.
Otros objetos de estudio pueden ser características que haya que medir o contar mediante diferentes
técnicas de registro o instrumentos: estatura, peso, número de habitantes, cantidad de basura producida,

1
número de individuos en bandadas de aves, capturas pesqueras, temperaturas y precipitaciones en un lugar,
etc. Cada medida es un dato.
Al conjunto final de respuestas o de medidas obtenidas (datos) le llamamos VARIABLE ESTADÍSTICA. Una
variable estadística es cada una de las propiedades o características de las que podemos sacar un conjunto de
datos.
Las variables estadísticas, dependiendo de los valores que pueden tomar, se clasifican según el siguiente
cuadro:
▸ Cuantitativas: La variable se expresa mediante valores numéricos. Pueden ser de dos tipos:
 Discretas: Sólo toma valores enteros, sin decimales. Ejemplos:
- Electrodomésticos que hay en una casa
- Habitaciones que tienen una casa
- Número de habitantes de una zona
 Continuas: La variable puede tomar todos los valores posibles de un intervalo o tramo, y tener decimales. Ejemplos:
- Altura de un grupo de personas
- Gasto mensual en hipoteca de las familias de una ciudad
- Peso de lo pollos que se venden en los mercados andaluces
▸ Cualitativas: Los valores no son números, sino cualidades o rasgos no medibles. Ejemplos:
- Color preferido de un grupo de gente
- Partido al que votarás en las próximas elecciones
- Problema relacionado con el medio ambiente que preocupa más a los andaluces
Las variables continuas y aquellas con muchas posibilidades debemos agruparlas en intervalos. Por ejemplo,
como son demasiadas las posibles respuestas si preguntamos el peso, agrupamos las respuestas en intervalos:
"entre 50 y 60 kilogramos", "más de 60 y hasta 70 kg", etc.
Vamos a practicar la estadística con un ejemplo: hemos leído que un 2,9% de los españoles no desayuna
nada. Sin embargo el desayuno es algo fundamental para nuestra salud.
Nosotros queremos estudiar el tiempo dedicado a desayunar, ya que nos indica si le damos importancia o no.
Es una variable estadística cuantitativa continua.

1.2. ¿De quién queremos s aberl o?

¿A qué personas vamos a preguntar o en qué objetos vamos a medir la característica que queremos estudiar?
Al conjunto total de personas o de objetos en el que vamos a estudiar la variable estadística se le llama
población (P).
El número de individuos de la población se llama tamaño poblacional (N).
En el caso de nuestra nota de prensa que hablaba del desayuno, la población P es el conjunto de todos los
españoles y N es el número de habitantes de España.
Pero si nadie del INE nos preguntó nada, ¿cómo se obtuvo la información? El coste en tiempo, dinero y
personal que supondría preguntar a todos los españoles sobre sus hábitos sería gigantesco, por eso lo que se
hace es seleccionar una muestra.
▸ Una muestra es una parte de la población sobre la que estudiaremos la variable estadística.

▸ El número de individuos de la muestra es el tamaño muestral (n).

El objetivo es extender las conclusiones que se obtengan sobre la muestra a toda la población. Así,
preguntando a un grupo representativo de españoles en vez de a todos, el INE extrae conclusiones sobre la
población española total dentro de sus posibilidades económicas y prácticas.
Pero pensemos un poco…

2
 a. ¿Deberíamos tener cuidado con el número de individuos de la muestra?
Es muy importante. Si seleccionamos demasiados no tendremos ninguna ventaja, sería mejor tomar toda
la población. Y si son demasiado pocos, pueden no ser representativos de la población y los datos no
informen de lo que realmente ocurre.
b. ¿Influirán las características de los individuos de la muestra en las conclusiones finales?
Claro que sí, no es lo mismo preguntar hábitos de alimentación a deportistas que a diabéticos, por
ejemplo.
Por tanto, la selección de una muestra adecuada es fundamental si queremos que lo que estudiemos en ella
pueda extenderse a toda la población.
Si tuvieras que escoger una muestra de toda la población de Cádiz para averiguar qué tanto por ciento come
legumbres al menos dos veces por semana, con un margen de error del 5 %, ¿a cuántas personas diferentes le
preguntarías, teniendo en cuenta que en el año 2014 la población de Cádiz era de 121.739 habitantes? ¿a
5000 personas, a 1000, a 10000? Pues con 383 personas es suficiente, según una fórmula que se estudia en
Bachillerato. Eso sí, deben ser bien escogidas en todo el conjunto, no las 383 del mismo barrio.
¿Cómo elegir entonces la muestra? Esto es una de las partes más complejas de la estadística y hay teorías
matemáticas muy complicadas al respecto.
La elección de la muestra puede ser:
 aleatoria: se eligen al azar;
 intencional: el encuestador elige a los que quiere.
Los dos métodos plantean problemas, ya que:
 una muestra elegida al azar puede no ser representativa del total de la población;
 una muestra intencional puede llegar a ser subjetiva.
Una muestra es representativa cuando las conclusiones de su estudio son aplicables a toda la población.

1.3. ¿Cómo ob tengo l os datos?

Una vez seleccionada la muestra, hay dos formas de obtener la información que necesitamos:
▸ Obtención indirecta: los datos están ya recogidos y se consultan. La ventaja es que casi todo el trabajo está
hecho, pero...
 Puede que los datos no estén actualizados (¿y si el INE usase información de 1985 para el estudio que
hemos visto?).
 Puede que los datos no se ajusten a nuestro estudio. Si queremos estudiar el tiempo que un grupo de
niños dedican a desayunar y los datos disponibles se refieren a adultos, de poco nos sirven.
▸ Obtención directa: los datos se observan directamente sobre los individuos, específicamente para el
estudio. Seguramente los datos se ajustarán a nuestros deseos pero costará más obtenerlos.
 A veces se hará midiendo la característica en los individuos (por ejemplo, la estatura, etc.).
 A veces se hará mediante cuestionarios que los encuestados responden.
Debemos tener en cuenta que las preguntas de nuestra encuesta pueden influir en nuestra investigación.
Por ejemplo: ¿son iguales estas dos preguntas para un cuestionario?
1. ¿Qué prefiere desayunar, yogurt desnatado o churros con chocolate?
2. ¿Qué suele desayunar con mayor frecuencia?
Es evidente que las dos preguntas causarán un efecto muy diferente en el entrevistado. Con la primera las
opciones del encuestado son muy reducidas (es bastante probable que el individuo hubiese dado otra
respuesta), y se ve claramente una intención oculta: separar falsamente a la población en dos grupos ficticios
que no se corresponden con la realidad.
3
 Por tanto es preferible la segunda pregunta, aunque con ella se corre un riesgo: puede que se obtengan
demasiadas respuestas diferentes entre sí y la información sea poco útil: si todos responden una cosa diferente,
¿podríamos extraer alguna conclusión?
En el caso de necesitar un cuestionario, hay que elaborarlo con cuidado para que los datos resultantes sean
lo más objetivos que sea posible.

2. Organización de los datos

Una vez realizada la recogida de datos mediante encuestas, mediciones o consulta de registros, obtenemos
un montón de números en el que, de momento, no se ve nada claro sobre lo que estudiamos.
Para obtener una información fiable y objetiva sobre nuestro tema, tendremos que organizar
convenientemente los datos para que "digan algo" y nos puedan ayudar a resolver nuestro problema.
Disponemos de dos formas de organizar los datos de modo que "les podamos sacar jugo":
 Ordenarlos en tablas.
 Representarlos en gráficas.
Lo normal es hacer las dos cosas.
Para practicar, vamos a suponer el siguiente estudio estadístico: queremos saber el tiempo que nuestros
vecinos dedican a desayunar. Para ello hacemos un sorteo y seleccionamos para nuestra muestra 10 vecinos al
azar de los 50 que hay en la vecindad y les preguntamos.
En este estudio tenemos:
 Variable aleatoria: X = tiempo dedicado al desayuno (en minutos). Es una variable cuantitativa discreta.
 N = 50, n = 10.
 Los individuos encuestados han dado las respuestas: 0, 0, 9, 0, 5, 5, 9, 5, 15, 0.
Esta información no nos sirve demasiado. Vemos que se han dado los siguientes cuatro valores de la variable:
x1=0, x2=5, x3=9, x4=15
¿Se repite alguno más que otro? ¿Y si estudiásemos cuántas veces nos han respondido cada valor?
Nota: En matemáticas para representar un elemento en general que pertenezca a un conjunto de elementos ordenados, se
usa el subíndice i. Así una valor genérico del conjunto x 1, x2, ..., x4, se representará como xi, donde el subíndice i puede tomar
los valores 1, 2, 3, 4 (o los que haya).
2.1. Tab ulación de l os d atos
Organizar los datos en tablas es la opción más extendida y eficaz. Sólo basta abrir cualquier modelo de hoja
de cálculo o base de datos en nuestra pantalla de ordenador y observar que su formato es por defecto una tabla.
La organización de los datos en forma de una tabla de frecuencias, los hace más comprensibles y facilita los
cálculos.
En la tabla de frecuencias nos aparecen:
 Los distintos valores de los datos ordenados (xi).
 Frecuencia absoluta de cada valor (ni): es el número de veces que aparece repetido el mismo valor.
 La frecuencia relativa de un valor de la variable es su frecuencia absoluta dividida por el número de
observaciones. Para el valor xi se representa fi (fi = ni/n). Multiplicada por 100 es el porcentaje de cada dato.
 Frecuencia acumulada absoluta de cada valor (Ni): su frecuencia absoluta más la de los valores anteriores,
ordenados de menor a mayor.
 Frecuencia acumulada relativa de cada valor (Fi): su frecuencia relativa más la de los valores anteriores,
ordenados de menor a mayor.

4
  Conviene añadir dos columnas más para facilitar los cálculos posteriores: productos de los valores por sus
frecuencias absolutas (xi · ni) y productos de los cuadrados de los valores por sus frecuencias absolutas
(xi2 · ni).
 Debajo de las algunas columnas se suman los correspondientes valores. La suma de las frecuencias
absolutas es el número de datos, n; la de las frecuencias relativas tiene que dar 1; y las otras servirán para
facilitar los cálculos siguientes (media, varianza y desviación típica).
Nuestro ejemplo: Se ha preguntado a 10 vecinos el tiempo en minutos que dedican al desayuno (variable
cuantitativa discreta) y han respondido lo que sigue:
0, 0, 9, 0, 5, 5, 9, 5, 15, 0
Valores de los datos (xi) Frecuencia Frecuencia Frecuencia Frecuencia Productos de valores y Productos de los
acumulada acumulada frecuencias absolutas cuadrados de los valores
(min) absoluta (ni) relativa (fi)
absoluta (Ni) relativa (Fi) (xi · ni) (xi2 · ni)
0 4 4 0,4 0,4 0·4=0 02 · 4 = 0
5 3 7 0,3 0,7 5 · 3 = 15 52 · 3 = 75
9 2 9 0,2 0,9 9 · 2 = 18 9 · 2 = 162
2

15 1 10 0,1 1 15 · 1 = 15 152 · 1 = 225

Totales:  ni = 10 = n  fi = 1  (xi · ni) = 48  (xi2 · ni) = 462

Si la variable es continua o discreta, pero toma muchos valores, los datos se agrupan en intervalos.
Ejemplo 2: preguntando a nuestros vecinos su edad, la tabla de frecuencias podría ser:

Valores de los datos (Ii) Frecuencia Frecuencia Frecuencia Frecuencia Productos de valores y Productos de los
acumulada acumulada frecuencias absolutas cuadrados de los valores
(edad en años) absoluta (ni) absoluta (Ni)
relativa (fi) relativa (Fi) (xi · ni) (xi2 · ni)
15-24 10 10 0,2 0,2 19,5 · 10 = 195 19,52 · 10 = 3.802,5
25-34 15 25 0,3 0,5 29,5 · 15 = 442,5 29,52 · 15 = 13.053,75
35-44 10 35 0,2 0,7 39,5 · 10= 395 39,52 · 10 = 15.602,5
45-54 8 43 0,16 0,86 49,5 · 8 = 396 49,52 · 8 = 19.602
55-64 5 48 0,1 0,96 59,5 · 5 = 297,5 59,52 · 5 = 17.701,25
65-74 2 50 0,04 1 69,5 · 2 = 139 69,52 · 2 = 9.660,5
Totales:  ni = 50 = n  fi = 1  (xi · ni) = 1.865  (xi2 · ni) = 79.422,5

Los intervalos en los que se agrupan los valores de una variable se llaman intervalos de clase.
El valor representante de un intervalo de clase es la marca de clase y se toma como el valor medio del
intervalo (el dato que queda justo en medio del mismo). En el ejemplo de la edad de los vecinos, la marca del
intervalo [15-24] es 19,5 años. Si no lo ves claro, primero suma 15 + 24 = 39 y después divide 39 : 2 = 19,5.

2.2. Representaci ón g ráfica de los d at os

Los datos se suelen expresar de forma gráfica ya que de un golpe de vista, nos podemos hacer una idea de la
distribución.
 Diagrama de barras. Se usa para variables cualitativas o
cuantitativas discretas. (Diagrama de barras del ejemplo
1)
▸ En el eje de abscisas (horizontal) se representan los
valores de los datos (xi) y en el eje de ordenadas
(vertical) las frecuencias (ni).
▸ Sobre cada dato se levantan barras cuya altura es la
frecuencia (absoluta o relativa).
5
  Histograma. Se usa para variables agrupadas en
intervalos. (Histograma del ejemplo 2)
▸ En el eje de abscisas se representan los datos (xi) y en
el de ordenadas las frecuencias (ni).
▸ Se divide el eje de abscisas en intervalos y sobre cada
uno, se levantan rectángulos de altura igual a la
frecuencia (las barras quedan pegadas).

 Polígono de frecuencias: se unen los extremos de los rectángulos o las barras de los diagramas anteriores con
una línea poligonal.
 Diagrama de sectores. Se usa para ver como se "reparte" la muestra o el total de la población estudiada entre
los distintos valores obtenidos.
En el nuestro ejemplo, el círculo completo representa la muestra
completa de los 10 vecinos (n), y cada sector la parte de ellos que
dedica 0, 5, 9 o 15 minutos al desayuno (xi).
▸ Repartimos los 360º del círculo completo entre el número de
datos (n): 360º/10 = 36º por vecino.
▸ Cada valor (xi) se representa con un sector (“quesito”) cuyo
ángulo es proporcional a su frecuencia (ni):
x1 = 0, n1 = 4 → 36º · 4 = 144º
x2 = 5, n2 = 3 → 36º · 3 = 108º
x3 = 9, n3 = 4 → 36º · 2 = 72º
x4 = 15, n4 = 4 → 36º · 1 = 36º
Los gráficos circulares presentan algunos inconvenientes, por lo que no siempre es aconsejable su uso.
 Pictograma. En este caso representamos
cada valor (xi) con un dibujo alusivo cuyo
tamaño será proporcional a la frecuencia
absoluta (o relativa) del valor (ni o fi).
En nuestro ejemplo, podemos
representar cada valor con una taza, que
será más grande para las respuestas
más frecuentes y menor para las
respuestas menos frecuentes.

A la hora de hacer una representación gráfica, no hay que olvidar que su objetivo es facilitar la comprensión
de la información. Por eso hay que tener cuidado a la hora de elegir el tipo de gráfico y el diseño del mismo.

3. Cálculo de parámetros para interpretar los datos

Una vez tabulados los datos y representados en gráficas, es necesario resumir de alguna forma toda la
información que contienen para que tanto número "nos diga algo".
Para esto, los matemáticos calculan unos números con todos los de las tablas: los parámetros estadísticos.
Los parámetros estadísticos resumen toda la información en un único valor numérico para representar la serie
completa de datos. El más conocido es la media aritmética, y uno de sus usos más comunes es el cálculo de la
nota media. Los hay de dos tipos:

6
3.1. M edidas de centralización
Nos indican en torno a qué valor (centro) se reparten los datos. Por ejemplo, si queremos representar a todo
un barrio por el sueldo de sus habitantes, no podemos hacerlo ni por el más bajo ni por el más alto, es más
representativo el valor medio.
 Media (se simboliza x ): Es la suma de todos los valores dividida por el número de datos. Sólo puede
calcularse a partir de variables cuantitativas. Aprovechamos la suma que hicimos en la 6ª columna de la
tabla de frecuencias:

x
x i  ni
x 1 ·n 1  x 2 ·n 2  .....x n ·n n
 , donde xi : los distintos valores de la variable; ni: las frecuencias
n n
absolutas de los datos xi; n: el número de datos. Si la variable está agrupada por intervalos, los valores x i
son las marcas de clase.
 Moda (se simboliza Mo): Es el valor (xi) que más se repite, es decir, el dato de mayor frecuencia, pero no la
frecuencia. Puede haber más de un valor modal. Si la variable está agrupada por intervalos, es el tramo
que tiene mayor frecuencia.
 Mediana (se simboliza Me): Es el valor (xi) que ocupa el lugar central de todos los datos (incluyendo las
repeticiones) cuando éstos están ordenados de menor a mayor. Si hay un número par de datos, es la
media de los dos valores centrales. Si la variable va por intervalos, se considera mediano el intervalo que
contiene el valor central. Podemos ver el número de orden de los valores por la frecuencia acumulada
absoluta (valor que tiene Ni = n/2) o acumulada relativa (valor que tiene Fi = 0,5).

Vamos a calcular las medidas de centralización de los dos ejemplos (podemos usar las sumas  (xi · fi) de las tablas):
Ejemplo 1:

x
x i  ni

0·4  5·3  9·2  15·1 48
  4,8 minutos empleados en el desayuno
n 10 10
Moda: Mo = 0 minutos (la mayor frecuencia es 4, que corresponde al valor 0 minutos de desayuno).
Mediana: ordenamos los 10 datos: 0 - 0 - 0 - 0 - 5 - 5 - 5 - 9 - 9 - 15; tenemos que hacer la media aritmética entre el
dato que ocupa el 5º lugar y el que ocupa el 6º, y como los dos son 5, la mediana es: Me = 5 minutos
de desayuno.
Ejemplo 2:

x
x i  ni

19,5·10  29,5·15  39,5·10  49,5·8  59,5·5  69,5·2 1865
  37,3 años
n 50 50
Moda: Mo = entre 25 y 34 años, porque su frecuencia es la mayor (n2 = 15).
Mediana: ordenando los 50 datos, nuestra referencia son los datos 25º (25-34) y 26º (35-44) , al ser n= 50 un
número par, por lo que la mediana sería el valor medio entre sus marcas de clase: Me = (29,5+39,5)/2 =
34,5 años.
3.2. M edidas de d ispersión
¿Qué ocurriría en nuestro ejemplo del desayuno si añadimos un vecino nuevo que tardase dos horas en

tomarse su café y sus tostadas? Ahora la media sería: x   i i 

x n 168
 15,27 minutos de desayuno, se ha
n 11
triplicado la media anterior con un solo dato sin que el resto de los vecinos hayan cambiado sus costumbres.
Como ves, los "valores extraños" pueden producir medias extrañas que no reflejen realmente la realidad.
Para informarnos sobre lo bien (o lo mal) que la media aritmética representa al conjunto de datos, calculamos
los parámetros de dispersión.

7
 Vienen a ser algo así como indicadores de cómo de agrupados están los datos en torno a la media. Si están
muy agrupados, los parámetros de dispersión tomarán valores pequeños. Pero si no lo están, si están muy
"dispersos" (hay mucha diferencia entre unos y otros), tomarán valores más grandes. Es decir, miden cómo de
homogéneo o “parejo” es el conjunto de datos, y por tanto, si la media da una información fiable.
 Rango o recorrido (se simboliza R): Es la diferencia entre el mayor y el menor valor (xi) de la variable:
R = xn -x1
 Varianza (se simboliza σ 2 o S2): Es la media aritmética de los cuadrados de las desviaciones. Desviación
es la diferencia entre el valor de un dato y la media. Aprovechamos la suma que hicimos en la 7ª columna
de la tabla de frecuencias:

σ2 
x 2
i  ni
 x2 
x 2
1     
·n 1  x 22 ·n 2  .....  x 2n ·n n
 x 2 , donde xi: los valores de la variable; ni: la
n n
frecuencia absoluta de cada valor; x : la media aritmética; n: el número de datos.
Si la variable es agrupada por intervalos, se toman como valores de xi las marcas de clase.
 Desviación típica (se simboliza σ o S): Es la raíz cuadrada de la varianza, es decir: σ  σ 2
 Coeficiente de variación (se simboliza CV): Es el cociente entre la desviación típica y la media.
σ
CV   100 (se suele dar en tanto por ciento)
x
Vamos a calcular las medidas de dispersión de los dos ejemplos (usamos las sumas  (xi2 · fi) de las tablas):
Ejemplo 1:
Rango = 15 - 0 = 15 minutos de variación.

Varianza: σ 2  x 2
i  ni
x2 
0 2 ·4  5 2 ·3  9 2 ·2  15 2 ·1
 4,8 2 
462
 23,04  23,16
n 10 10
4,81
Desviación típica: σ 23,16  4,81 minutos; Coeficiente de variación: CV  100  100 %
4,8
Ejemplo 2:
Rango = 74 - 15 = 59 años de variación.

Varianza: σ 2  x 2
i  ni
 x2 
79.422,5
 37,3 2  197,16
n 50
Desviación típica: σ 197,16  14,04 años; Coeficiente de variación:
14,04
CV  100  37,64 %
37,3

4. Extracción de conclusiones
Hemos visto como se trabaja con los datos:
▸ Las tablas de frecuencias y los gráficos tienen por objetivo organizar y facilitar la visualización de los datos.

▸ La media aritmética indica un valor representativo de la variable, que resume la información de los datos
recogidos y se interpreta en la realidad concreta que estamos estudiando.
▸ La varianza y desviación típica nos dicen cómo están de agrupados los datos respecto de la media.
Permiten saber hasta qué punto la media aritmética da una buena información de la realidad estudiada.

8
 ▸ El coeficiente de variación, además de lo anterior, permite comparar la agrupación de los datos respecto
de la media en distribuciones que no se parezcan en nada, lo cual puede resultar interesante.
Pero no tiene sentido que nos pongamos a hacer tablas, cuentas y gráficos con los números simplemente
porque sí, se trata de dar respuesta a lo que queríamos saber extrayendo conclusiones que permitan diseñar
estrategias o medidas para mejorar los hábitos o características que estudiamos.
Por ejemplo:
Imaginemos que estudiamos la dieta de 8 personas y extraigamos conclusiones a partir de los datos. Hemos
estudiado dos variables: la cantidad de calorías ingeridas por persona y día y el % de grasas ingeridas.
Supongamos que, después de hacer todos los cálculos de nuestro estudio, estos son los resultados que
hemos obtenido:
▸ La media de calorías ingeridas por persona y día son 1800 kcal, con una moda de 1810 kcal y una
desviación típica de 50 kcal.
▸ El porcentaje medio de grasas que ingieren es un 40%, con una moda de 32% y una desviación típica de
17 (17%).
¿Qué consecuencias podríamos sacar de estos resultados?
Respecto a las calorías ingeridas, los valores de la media y la desviación típica nos dicen que la mayoría
ingiere entre 1750 (media – desviación típica) y 1850 kcal diarias (media + desviación típica), siendo el valor
más repetido 1810 kcal. Podemos interpretar que estas 8 personas tienen un consumo de calorías diarias
razonablemente sano (acercándose a bajo), siendo su comportamiento muy parecido (puesto que hay poca
variación entre las respuestas).
Respecto del % de grasas ingeridas, si bien no ingieren demasiadas calorías (como hemos visto antes) el
porcentaje medio de grasas en su alimentación es demasiado elevado.
Sin embargo, la desviación típica indica que las respuestas están entre 23% (media – desviación típica) y 57%
(media + desviación típica), lo que refleja que hay grandes diferencias entre unas personas y otras. Algunas
cuidan la cantidad de grasa en su dieta pero otras hacen un consumo peligroso para la salud.
Hay mucha disparidad en las respuestas:
▸ Unos comen un número adecuado de calorías y una cantidad saludable de grasa. Seguramente hacen
una dieta mediterránea, que es una de las mejores del mundo según los expertos…¡Y la tenemos tan
cerca!
▸ Otros no comen demasiadas calorías, pero de lo que comen un porcentaje demasiado elevado es grasa.
Pueden ser personas con poco tiempo para comer que abusan de la comida rápida, poco saludable.
Otro ejemplo:
Variable: Índice de masa corporal (IMC), que es un índice calculado
a partir de la talla y el peso de una persona, y nos sirve para evaluar Frecuencia Frecuencia
IMC
su estado nutricional según esta escala: absoluta relativa

Bajo peso: IMC <18,5 menor que 18,5 6 0,03

Sobrepeso IMC = 25-29,99 18,5 - 24,9 110 0,55
Rango normal: IMC = 18,5-24,99 25 - 29,9 66 0,33
Obesidad IMC ≥30 30 - 34,9 16 0,08
Población: niños de nuestro país. 35 - 39,9 1 0,005
Muestra: 200 niños seleccionados al azar. 40 o mayor 1 0,005
¿Qué podemos decir a la vista de los datos? Seguro que se te ocurren muchas cosas, y eso que aún no hemos
hecho ni una cuenta. Casi a simple vista, vemos que…
9
  110 niños (el 55%) tienen un IMC saludable, entre 18,5 y 24,9
 un 3% tiene un peso demasiado bajo, y el 33% sobrepeso.
 y un 9% (18 de los 200) tienen obesidad.
Además, el IMC medio es 24,51, es decir, normal cercano al sobrepeso (marca de clase en el intervalo "menor
que 18,5": la media de las 6 respuestas, 18; marca de clase en el intervalo "40 o mayor": la única respuesta, 40).
Parece claro que todos tenemos que poner de nuestra parte, y las autoridades sanitarias, para cuidar la
alimentación de los niños, ya que un niño obeso es un joven enfermo. Las prisas, el trabajo, la comodidad no
pueden ganar la batalla a la dedicación y el interés por lo que nuestros niños comen.
Ya ves. Se pueden sacar muchas conclusiones, a veces de gran importancia social, con un estudio
estadístico…

7. ¿Y si la información no es fiable?
Constantemente estás recibiendo información en gráficos pero muchos están manipulados voluntariamente.
Fíjate en el siguiente caso extraído del periódico eldiario.es: en un programa de televisión se usó el gráfico de
la izquierda con la evolución del paro registrado en el año 2013. El eje estaba tan cortado que parecía que el
paro se había reducido a casi cero durante esos meses. En este caso puedes comprobar lo importantísimo que
es usar la escala adecuada en cada eje.

Observa estos dos diagramas de

barras. En ambas tablas los
porcentajes son los mismos (27 %
prefiere Sociales, algo menos del
doble que el 15 % que prefiere
Mates). Sin embargo en la primera
gráfica el porcentaje de preferencias
de las Sociales sobre las Mates
parece ser siete u ocho veces
mayor.

Sin embargo, los gráficos han evolucionado muchísimo con la tecnología y su utilidad es enorme.

10