Transparencias Tema 2 Completas Imprimir (Miquel Manjón y Oscar Martínez) PDF

Análisis descriptivo de los datos
Oscar Martı́nez y Miguel Manjón
Curso Académico 2020-2021

Tema 2: Contenidos
1 Distribución de frecuencias de una variable.
2 Reducción de datos, agrupación en intervalos.
3 Representaciones gráficas.
4 Parámetros poblacionales. Medidas y estadı́sticas muestrales.
5 Medidas y estadı́sticos de posición: medidas de tendencia central.
6 Medidas de variabilidad o dispersión.
7 Forma de una distribución: asimetrı́a y curtosis.
8 Apéndice: Momentos de una distribución.
Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Objetivo y datos
En este tema estudiaremos cómo realizar el análisis descriptivo de los datos

referentes a una única variable.
Algunos de los ejemplos empleados en este tema (y los siguientes) utilizan
los datos recogidos en el fichero “datos banco mundial.xls”:
Contenidos del archivo “datos banco mundial.xls”
VARIABLE DEFINICIÓN
Pais Nombre del paı́s

CONSUMO PC Consumo final de los hogares per cápita (Dólares americanos de 2010)
PIB PC PIB per cápita (Dólares americanos de 2010)
EDU OBL Duración en años de la educación obligatoria
EDAD INIC Edad de inicio en la escuela primaria
ESPERANZA Esperanza de vida al nacer de las mujeres, en años
LEY VIOLENCIA Existe legislación sobre violencia doméstica (0= NO, 1=SI)
PAR MUJERES % de mujeres en el parlamento nacional
RIQUEZA Nivel de renta en el año 2010. Valores que puede tomar:
4 = Renta Alta, 3 = Renta Media Alta, 2 = Renta Media Baja, 1 = Renta Baja
LEY DISCRI Legislación sobre discriminación por razón de genero (DRG). Valores que puede tomar:
3 si la no DRG está recogida en la consitución y la ley impone igual salario para hombres y mujeres
2 si la no DRG está recogida en la consitución pero la ley NO impone igual salario
1 si la ley impone igual salario para hombres y mujeres pero la constitución NO recoje la no DRG
0 si la constitución NO recoje la no DRG y la ley NO impone igual salario
CAPACIDAD EST Nivel de la capacidad estadı́stica del paı́s. Valores que puede tomar:
1 = Capacidad suficiente; 2 = Capacidad notable; 3 =Capacidad excelente
Estos datos proceden de las estadı́sticas oficiales del Banco Mundial para el año 2011 y
están referidos a 86 paı́ses. Por lo tanto, el tamaño de la muestra, que denotamos por

N, es N 86.

Tema 2: Análisis descriptivo de los datos

Frecuencias
A los posibles valores que puede tomar una variable se les suele denominar
“categorı́as” o “clases”.
Si a la variable la denotamos por X , cada posible valor que puede tomar

la variable X lo denotaremos por xk (no confundir con el valor que toma
la variable para cada individuo, que denotaremos por xi ).
Al número total de posibles valores que puede tomar la variable lo deno-

taremos por K .
Ej: La variable CAPACIDAD EST puede tomar 3 posibles valores, K 3.
La información más general que podemos obtener de una variable es la
frecuencia con la que se dan cada uno de sus posibles valores en la muestra
objeto de estudio ñ Distribución de frecuencias.

Frecuencias
Distinguimos cuatro tipos de frecuencias:
Frecuencia absoluta.
Frecuencia relativa.
Frecuencia absoluta acumulada.
Frecuencia relativa acumulada.

Frecuencia Absoluta
Frecuencia Absoluta.
Es el número de veces que se repite xk , un determinado valor de la variable.
Se denota por nk .
Ej: Si denotamos por X a la variable capacidad estadı́stica, entonces K 3 y sus
frecuencias absolutas son:
Valor de CAPACIDAD EST Valor X, xk Frecuencia Absoluta, nk

Capacidad suficiente 1 10
Capacidad notable 2 44
Capacidad excelente 3 32

°
N 2) 0 ¤ nk ¤N
K
Propiedades: 1) nk

k 1

Tema 2: Análisis descriptivo de los datos Estadı́stica I

Notación: Sumatorios

¿Qué es un sumatorio?

Un sumatorio es una suma de términos y se denota por el sı́mbolo matemá-
°
K
indican los elementos que han de sumarse
K
tico , donde los lı́mites

k 1
1 hasta K ”).
k 1
(“desde k
En general
¸
K
nk n1 n2 ... nK

k 1
En el ejemplo anterior
¸
4
nk n1 n2 n3 n4

k 1
10 44 32 86 N

Sean a una constante, xk e yk para k 1, 2, ..., K números reales cuales-

quiera.
Propiedades de los sumatorios:

°
a aK
K

k 1
°
a ° xk
K K
axk

k 1
k 1
° ° °
pxk yk q
K K K
xk yk

k 1
k 1
k 1

¡Cuidado!
°K x
ñ ° ° yx
k K
k 1 k
k 1
K k
y
1
k
k
° ° °
ñ
K K K
xk yk xk yk
k 1
k 1
k 1

2
° °
ñ
K K
xk2 xk
k 1
k 1

Frecuencia Relativa
Frecuencia Relativa.
Es la frecuencia absoluta dividida entre el número total de observaciones
o individuos.

fk nNk

- fk es el tanto por 1 de observaciones que toman el valor xk .
-100 fk es el porcentaje de observaciones que toman el valor xk .
Valor de CAPACIDAD EST Valor X, xk Frecuencia Relativa, fk
Capacidad suficiente 1 n1
N
1086 0.116
Capacidad notable 2 n2
N
4486 0.512
Capacidad excelente 3 n3
N
2886 0.372

°
1 2) 0 ¤ fk ¤1
K
Propiedades: 1) fk

k 1


Frecuencia Absoluta Acumulada
Frecuencia Absoluta Acumulada.

La frecuencia absoluta acumulada mide el número de observaciones (o
individuos) que toman un valor igual o inferior al considerado, xk .

°
Nk
k
nj
j 1

La tabla con estas frecuencias tiene sentido si los posibles valores de la

variable, xk , se pueden ordenar. En ese caso supondremos que el orden es
x1 x2 ... xK 1 xK .
Valor de CAPACIDAD EST Valor X, xk Frecuencia Absoluta Acumulada, Nk

Capacidad suficiente 1
°1 n n N 10
j 1
j 1 1
Capacidad notable 2
°2 n n n N 10 44 54
1
j 1 2 2
°3 n n
j
Cpacidad excelente 3 n2 n3 N2 n3 10 44 32 86
1
j 1
j

Propiedad: NK

N
Frecuencia Relativa Acumulada
Frecuencia Relativa Acumulada.

La frecuencia relativa acumulada es la frecuencia absoluta acumulada di-
vidida entre el número total de individuos, N:

°k n
Fk 1 ° nN ° fj
j k k
Nk j j

N N

j 1
j 1

- Fk es el tanto por 1 de observaciones que toman un valor inferior o igual

a xk .
-100 Fk es el porcentaje de observaciones que toman un valor inferior o
igual a xk .

Frecuencia Absoluta
Como en el caso anterior, la tabla con estas frecuencias sólo tiene sentido
cuando los posibles valores de la variable, xk , se pueden ordenar.
Valor de CAPACIDAD EST Valor X, xk Frecuencia Relativa Acumulada, Fk
Capacidad suficiente 1
°1 f f F 0.116
1
j 1 1
°2 f f f N2 54 0.628
j
Capacidad notable 2
1
j 1 2 N N
° f f
j
8686 1
3
N3
Capacidad excelente 3 f2 f3
1
j 1 N
j

Propiedad: FK

1


Agrupación en intervalos
En el ejemplo anterior los datos eran cualitativos ordinales, con tres posi-
bles valores para 86 observaciones. Esto permite la elaboración de la tabla
de frecuencias para datos no agrupados (es decir, con los valores originales
de la variable).
En el caso de variables cualitativas nominales, habitualmente también po-

dremos obtener las dos primeras tablas de frecuencias para los datos no
agrupados (las frecuencias acumuladas no tienen sentido en datos nomi-
nales).
En particular, para las variables cuantitativas discretas habitualmente tam-

bién podrán obtenerse las mismas tablas para datos no agrupados.

Sin embargo, en casos en los que haya muchas clases o categorı́as (K

grande) y pocas observaciones (N pequeño), lo habitual será que para
cada posible valor de la variable sólo haya (como mucho) una o dos obser-
vaciones (individuos) que tomen ese valor.
Este es el caso habitual (aunque no exclusivo) de las variables cuantitativas

continuas.
Ej: Se puede comprobar como en el caso de las variables CONSUMO PC y PIB PC
todos los paises tienen valores diferentes.
En estos casos, la tabla de frecuencias para datos no agrupados no resume

nada (o, en general, muy poco) la información proporcionada por la tabla
original de datos.

Solución
Una forma de presentar los datos de una forma clara y resumida es agrupar
los posibles valores de la variable en intervalos.
Los intervalos han de ser mutuamente excluyentes, esto es, cada posible
valor de la variable, xk , solo puede pertenecer a un intervalo.
¡Atención! Al hacer agrupamientos se pierde información.

En las tablas de frecuencias para datos agrupados la información que mos-
traremos hace referencia a los individuos que están en un intervalo: pode-
mos saber a que intervalo pertenece un individuo, pero no que valor toma
en su caso la variable.
Por lo tanto, siempre que sea posible el resto de medidas (estadı́sticos) deberı́an calcu-
larse con datos no agrupados.

Antes de construir las tablas de frecuencias para datos agrupados debemos

construir los intervalos y, por lo tanto, debemos responder a las siguientes
preguntas:
1 ¿En cuántos intervalos debemos agrupar los datos?

Si son muchos, la tabla será poco clara.
Si son pocos, estaremos perdiendo más información.
Se aconsejan entre 5 y 15, pero siempre dependerá de los datos que

tengamos.
2 ¿Debe ser el “tamaño” de los intervalos el mismo?

Al tamaño del intervalo se le denomina amplitud. Si la amplitud del
intervalo es constante, será mas fácil trabajar con ellos. Sin embargo,
algunos casos particulares requerirán que haya intervalos de amplitud
diferente (Ej: caso de datos “extremos”).

Notación: Intervalos
K denotará el número de intervalos que construiremos.

El intervalo k-ésimo vendrá definido por pLk 1 , Lk s , donde Lk 1 es el

lı́mite inferior (“abierto”, no incluye el valor Lk 1 ) y Lk el lı́mite superior
(“cerrado”, incluye el valor Lk ).
Es conveniente que los lı́mites sean números lo más sencillos posible.

p
Ej: En el caso de CONSUMO PC es más adecuado un intervalo 0, 100 que 353.5, 1353, 5 .s p s
Obsérvese que, por convención, se considera que los intervalos son abiertos
por la izquierda. Esto quiere decir que si para algún individuo i, xi Lk 1 ,
este individuo no pertenecerı́a al intervalo k esimo, sino al anterior:
"
xk R pLk 1 , Lk s
xk Lk 1 ñ xk P pLk 2 , Lk 1 s

Amplitud, recorrido y marca de clase
La amplitud del intervalo se denota como ak Lk Lk 1 .

El recorrido de los datos es la diferencia entre el máximo y el mı́nimo valor
que toma la variable. El recorrido se denota como Re xK x1 .
La marca de clase es el valor central del intervalo (cuanto más simetrica-

mente estén distribuidos los datos en el intervalo más representativo será).
La marca de clase la denotaremos por Mck Lk 12 Lk .
La importancia de la marca de clase resultará evidente al cacular las medidas y
estadı́sticos que trataremos en las secciones siguientes, donde veremos que nece-
sitan de “numeros” (esto es, valores de la variable) para ser calculados (esto es,
no se pueden calcular con intervalos). En general, salvo que se tenga un valor
justificadamente mejor, para estos cálculos se usará la marca de clase.
Obsérvese también que hay casos (por ejemplo, la variable RIQUEZA de nuestra
base de datos) en los que sólo dispondremos de los datos agrupados.

Frecuencia Absoluta
Ej: Tabla de frecuencias para la variable CONSUMO PC

Dado el rango (o recorrido) de valores que toma la variable, Re 9536.87
353.53 9183.34, construiremos intervalos constantes de amplitud a
1000.
En particular,
para incluir todos los datos necesitaremos como mı́nimo
9 Rec intervalos. En particular, en este ejemplo usaremos los siguientes
10 intervalos:
p s Lk 12 ° nk nNk NNk

k
Intervalo, Lk 1 , Lk
Lk
Mck nk Nk fk Fk
1
p0, 1000s
j
500 26 26 0, 30 0, 30
p1000, 2000s 1500 15 41 0, 17 0, 48
p2000, 3000s 2500 14 55 0, 16 0, 64
p3000, 4000s 3500 7 62 0, 08 0, 72
p4000, 5000s 4500 8 70 0, 09 0, 81
p5000, 6000s 5500 5 75 0, 06 0, 87
p6000, 7000s 6500 3 78 0, 03 0, 91
p7000, 8000s 7500 4 82 0, 05 0, 95
p8000, 9000s 8500 3 85 0, 03 0, 99
p9000, 10000s 9500 1 86 0.01 1


Estadı́stica descriptiva
Las representaciones gráficas son una forma de sintetizar la información y

presentarla de forma comprensible.
IMPORTANTE: Los gráficos han de poder leerse, esto es, han de disponer
de toda la información necesaria para poder interpretarlos correctamente.
A continuación veremos 6 representaciones gráficas para las diferentes ta-

blas de frecuencias que hemos visto en los apartados anteriores:
Diagrama sectorial o circular

Pictograma
Diagrama de barras
Histograma
Poligonos de frecuencias
Ojiva


También se le conoce como diagrama de sector o de pastel.
Se trata de un circulo que se divide en diferentes sectores de forma que el

área de un sector es proporcional a la frecuencia (absoluta o relativa) de la
categorı́a que representa dicho sector, lo que implica que el ángulo central
debe ser proporcional a la frecuencia.
Habitualmente se usa para variables cualitativas, pero también puede uti-

lizarse con variables cuantitativas discretas siempre que estas no tomen un
número muy elevado de valores (K debe ser pequeño).


Pictograma
Pictograma
Se trata de dibujos proporcionales a la frecuencia (absoluta o relativa) de
la categorı́a representada.
En general, el dibujo escogido suele representar la categorı́a representada.
Como en el caso anterior, se usa en variables cualitativas o cuantitativas

discretas.

Pictograma
Pictograma
Botellas recogidas en un fin de semana. Habitantes en las provincias andaluzas.
Ciudad A Ciudad B

Diagrama de barras
Diagrama de barras
En el diagrama de barras representamos las distintas categorı́as de la va-
riable en el eje de abscisas (horizontal), mientras que en el de ordenadas
(vertical) lo hacemos con la frecuencia (absoluta, relativa o acumulada si
los datos se puede ordenar), de forma que las barras tengan una altura
proporcional a la frecuencia.
Como en los casos anteriores, se usa para variables cualitativas o cuanti-

tativas discretas. Obsérvese que también es posible sobreponer gráficos y
representar varias variables o muestras en el mismo gráfico.

Diagrama de barras
Diagrama de barras

Histograma
Histograma
En el caso de frecuencias para datos agrupados (caso habitual de las varia-
bles cuantitativas continuas), estas se representan a través del histograma.
El histograma es similar a un gráfico de barras, sólo que en este caso la

base del rectángulo (barra) no tiene porque ser constante y la altura no
ser proporcional a la frecuencia.
Además los rectángulos se dibujan contiguos para reflejar la idea de que la

variable es continua.

Histograma
La base del rectángulo será proporcional a la amplitud del intervalo

(ak ).
La altura del rectángulo será proporcional a la densidad de la fre-

cuencia, dk nakk , donde dk mide la frecuencia por unidad (si la
variable es peso en Kg, entonces dk es la frecuencia por Kg) en el
intervalo k esimo.
En el caso de datos agrupados en los que todos los intervalos tienen la misma
amplitud, la altura será proporcional a la frecuencia, como en un diagrama
de barras.
El número de intervalos afectará a la información y aspecto del histograma.
?
Una regla que se suele emplear para determinar el número de intervalos es
considerar el entero más cercano a N (con N el número de observaciones).
El área del rectángulo será proporcional a la frecuencia (absoluta,

relativa o acumulada).

Histograma
Caso 1: Amplitud del intervalo no constante

Intervalo ak Frec. Abs., nk dk
(0, 500] 500 7 0,014
(500, 1000] 500 19 0,038
(1000, 2000] 1000 15 0,015
(2000, 3000] 1000 14 0,014
(3000, 4000] 1000 7 0,007
(4000, 5000] 1000 8 0,008
(5000, 6000] 1000 5 0,005
(6000, 10000] 4000 11 0,00275

Histograma
Caso 2: Amplitud del intervalo constante

Histograma
Caso 3: Frecuencias Acumuladas

Poligonos de frecuencias
Polı́gono de Frecuencias
La idea es construir un diagrama análogo al de barras o histograma, pero
empleando, en vez de rectángulos, lı́neas rectas que unan los puntos me-
dios de las bases superiores de dichos rectángulos.
El objetivo es obtener una representación mas suavizada de la distribución

de frecuencias, por lo que suelen utilizarse cuando la variable es continua.

Ojiva
Ojiva
Cuando el polı́gono de frecuencias se aplica sobre frecuencias acumuladas
se le denomina Ojiva.
Dado que usan frecuencias acumuladas, este gráfico sólo se empleará con variables
que se puedan ordenar.
Para su construcción se asigna al extremo superior del intervalo una altura

igual a su frecuencia acumulada y se unen los puntos resultantes.


Parámetro poblacional
Parámetro Poblacional: Es una caracterı́stica medible de una población.

Ej1: Población: los alumnos presentados a la selectividad en Cataluña en el año 2020.
Parámetro: la media poblacional, la nota más alta, la más baja...
Ej2: En el experimento de tirar una moneda al aire, un parámetro poblacional de interés

serı́a la probabilidad de que salga cara.
El parámetro poblacional proporciona información de cómo se distribuyen

los valores de una variable en la población. Proporciona por lo tanto un
resumen de la distribución de la variable en la población.
En general el valor del parámetro poblacional solo podrá conocerse con

exactitud si se dispone de las observaciones de todos los elementos de la
población.

Estadı́stico muestral
Estadı́stico Muestral: Es una función de los valores de la muestra.

Ej1: Muestra: los alumnos de este aula. Estadı́stico muestral: la media muestral de las
notas obtenidas en la selectividad, la nota máxima, la nota mı́nima...
El papel que juega el parámetro poblacional en la distribución de la pobla-

ción, lo juega el estadı́stico muestral en la distribución de la muestra.
Por lo tanto, el estadı́stico muestral puede entenderse como un resumen

de la distribución de la variable en la muestra.

Estadı́stico muestral
Como comentamos anteriormente, el parámetro poblacional rara vez es co-

nocido, por lo que a menudo tenemos que estimar (“aproximar”) su valor.
El estadı́stico muestral sirve para estimar parámetros poblacionales (infe-

rencia estadı́stica Ñ Estadı́stica II).
En este curso nos limitaremos a presentar los estadı́sticos (funciones de

los datos de la muestra) que sirvan para resumir diferentes aspectos de la
muestra dada o de la distribución de la variable en nuestra muestra.
Distinguimos ası́ tres tipos de estadı́sticos o medidas numéricas:
Medidas de posición
Medidas de dispersión
Otras medidas.
Estas funciones de los datos emplean habitualmente las sumas y los productos. El
operador suma ya lo hemos repasado, por lo que a continuación revisaremos bremente
el operador producto.

Operador producto
Operador Producto
Supongamos que tenemos una serie de n números reales, denotados por
x1 , x2 , ..., xn1 , xn . Supongamos que queremos hacer el producto de todos
ellos:
x1 x2 . . . xn1 xn
±
Esta operación se puede escribir usando el operador producto :
¹
n
xi x1 x2 . . . xn1 xn

i 1
Algunas propiedades:
±
a an
n
i)

i 1
±
an ± xi
n n
ii) axi

i 1
i 1

Medidas y estadı́sticos de posición
Dada una serie de observaciones sobre una variable de interés, lo que vamos
a ver a continuación es cómo sintetizar todo este conjunto de valores en
un único valor.
En particular, este valor va a representar un aspecto de la distribución

que nos interesa.
En el caso de las medidas o estadı́sticos de posición, el aspecto que nos

interesa es la ubicación o posición de los datos.
En particular, distinguiremos entre medidas o estadı́sticos de tendencia

o posición central y no central.

Medidas y estadı́sticos de posición
Las medidas de tendencia central tratan de determinar el centro del con-

junto de datos o centro de la distribución. Estas incluyen:
Media Aritmética, geométrica y armónica (Mitjana aritmètica, geo-

metrica y harmònica).
Mediana
Moda
La diferencia básica entre estas medidas es lo que entiende cada una por
“centro” de la distribución.
Por su parte, las medidas de tendencia no central describen una posición

de la distribución distinta a la central. Estas incluyen:
Cuantiles (cuartiles, deciles y percentiles)

Medidas de tendencia central: Media Aritmetica

Media Aritmética
Es la suma de los valores de todas las observaciones dividido por el número
total de observaciones.
Se suele denotar con una linea horizontal sobre la variable, x.
Se emplea para variables cuantitativas.
Matemáticamente, para una muestra de N observaciones de la variable X

se puede expresar como:

°
x
N
1
xi

N

i 1


La media aritmética también se puede expresar en terminos de las frecuen-

cias y los posibles valores de la variable:

° °
x
K K
1
nk xk fk xk

N

k 1
k 1

Esta formula será interesante cuando tengamos variables cuantitativas discretas o agru-
padas en intervalos.
¡Cuidado!
En el caso de datos agrupados en intervalos, xk hay que sustituirlo

por la marca de clase del intervalo, Mck .
Siempre que sea posible conviene calcular la media aritmética sobre

los datos originales ya que al usar los intervalos perdemos información.
La media aritmética construida sobre las marcas de clase de los intervalos
será sólo una aproximación de la media aritmética “verdadera” (la obtenida
con los datos originales).

Ej 1: Media aritmética de EDAD INIC (Edad inicio de la escuela primaria).

°
532. Por lo tanto,
86
Empleando los datos originales: xi

k 1
¸
86
EDAD INIC x N1 xi 861 532 6.19
i 1
Empleando las frecuencias:
EDAD INIC nk fk nk xk fk xk
5 3 0.03 15 0.17
6 64 0.74 384 4.47
7 19 0.22 133 1.55
°
3
SUMAS ( ) 86 1 532 6.19
k 1
¸
K ¸
K
EDAD INIC N1 nk xk 861 532 6.19 fk xk

k 1
k 1

Ej 2: Media aritmética de CONSUMO PC.

Empleando los datos originales:
¸
86
CONSUMO PC x N1 xi 861 248186, 40 2885, 89
i 1
Empleando los datos agrupados:
p
Intervalo, Lk 1 , Lk s Mck nk nk Mck fk fk Mck
p
0, 1000 s 500 26 13000 0, 30 151, 16
p
1000, 2000 s 1500 15 22500 0, 17 261, 63
p
2000, 3000 s 2500 14 35000 0, 16 406, 98
p
3000, 4000 s 3500 7 24500 0, 08 284, 88
p
4000, 5000 s 4500 8 36000 0, 09 418, 60
p
5000, 6000 s 5500 5 27500 0, 06 319, 77
p
6000, 7000 s 6500 3 19500 0, 03 226, 74
p
7000, 8000 s 7500 4 30000 0, 05 348, 84
p
8000, 9000 s 8500 3 25500 0, 03 296, 51
p
9000, 10000 s 9500 1 9500 0.01 110, 47
SUMAS (
°10 ) 86 243000 1 2825,58
k 1
Ķ Ķ
CONSUMO PC N1 nk Mck 861 243000 2825, 58 fk Mck
k 1 k 1
Medidas de tendencia central: Media Aritmética Ponderada
Media Aritmética Ponderada

°

N
1
En la media aritmética, x xi , todas las observaciones (xi ) tienen
N

i 1
la misma ponderación o peso: 1.
Por el contrario, en la media aritmética ponderada a algunas observaciones

se les da más importancia (peso o ponderación) que a otras.
Ası́, sea wi el peso o ponderación que se le da a la observación i. La media

aritmética ponderada se define entonces como
°N w x
°
i i
i 1
xw N
w
1
i
i
°N x °N x
1 para todo i 1, 2, ..., N, entonces x w i 1 i i 1 i
Obsérvese que si wi
°N 1 N
i 1
x.

Medidas de tendencia central: Media Aritmética Ponderada
Ej 3: Considere un examen con distintas partes en el que no todas las partes

valen igual. En particular, supongamos que el examen tiene 4 partes: A, B,
C y D.
Denotemos por xA , xB , xC y xD la nota de cada parte del examen.

Sabemos que si todas las partes contasen lo mismo, la nota final serı́a la media
aritmética: x 1
x
4 A
p
xB xC xD . q
Supongamos, sin embargo, que A vale el doble que B y que B, C y D valen
lo mismo. En ese caso wA 2,wB 1,wC 1 y wD 1.
La nota final, calculada a partir de la media ponderada será:
xp p2xAp2 xB
1
xC xD q
1 1q

Medidas de tendencia central: Media Aritmética
Caracterı́sticas de la Media Aritmética

- La media aritmética, dado que implica el uso de los operadores suma y
división, en principio debe aplicarse sobre variables cuantitativas.
- Es única. Esto es, para cada muestra solo puede tomar un valor.
- Utiliza todos las observaciones de la muestra en su cálculo.
Inconvenientes:
Sensible a los valores extremos.
Ej 4: Consideremos la siguiente muestra con las alturas de 10 alumnos: 1.55, 1.60,
1.70, 1.85, 1.71, 1.65, 1.60, 1.68, 1.64 y 1.70. La media aritmética de esta
muestra es 1.668.
Supongamos que el alumno más alto en realidad es un jugador de basket
que mide 2.30. La media en este caso es 1.713 y todos los alumnos excepto
el jugador de basket miden menos que la media.
Malos usos. Por ejemplo, cuando se usa con variables categóricas,

siendo en ese caso más recomendable el uso de otras medidas de
posición.

Medidas de tendencia central:Media Aritmética
Propiedades Matemáticas de la Media Aritmética
1.- La suma de las desviaciones respecto a la media es igual a 0:
¸
N
pxi x q 0

i 1
° °
pxi x q ° x N N1 °
Nx Nx Nx 0
N N N N
Prueba: xi xi
i 1 i 1 i 1 i 1
2.- La suma de los cuadrados de las desviaciones respecto a una constante
b se minimiza cuando esta constante es igual a la media aritmética
(Teorema de König):
¸
N
arg min pxi bq2 x
b
i 1


2.- La suma de los cuadrados de las desviaciones respecto a una constante
b se minimiza cuando esta constante es igual a la media aritmética:
°
p q pxi bq2 . Para saber cual es el valor de b que minimiza S pbq
N
Prueba: Sea S b
i 1
hemos de calcular la derivada de S respecto de b:
°
BS pbq B i 1pxi bq Ņ Bpxi bq2 Ņ 2px bq
N
2
Bb Bb i 1
Bb i 1
i
El valor de b que haga que la 1a derivada sea igual a 0 será un punto de

inflexión. Si la segunda derivada en ese punto es positiva será un mı́nimo.
Ņ Ņ Ņ
p bq 0 ñ 2
2 xi xi 2 b 0 ñ Nx Nb 0 ñ x b
i 1 i 1 i 1
°
B2 S pbq B i 1 2pxi bq Ņ B2pxi bq Ņ 2 2N ¡ 0
N
Bb2 Bb i 1
Bb i 1

3.- La media aritmética se ve afectada por los cambios de origen. Esto

es, si a cada una de las observaciones le sumamos una constante a,
la media aritmética se ve afectada y aumenta/disminuye en el valor
de la constante: y x a ñ y x a
° ° ° °
xi N1 N1 pxi q N1 x
N N N N
1
Prueba: yi a, y yi a xi a a.
i 1 i 1 i 1 N
i 1
4.- La media aritmética se ve afectada por los cambios de escala. Esto
es, si multiplicamos todas las observaciones por una constante a, la
media aritmética también quedará multiplicada por esa constante:
y ax ñ y ax
° ° °
axi , y N1 N1 a N1 ax.
N N N
Prueba: yi yi axi xi
i 1 i 1 i 1

P3 + P4

ñ Si y a bx ñy a bx


5.- La media aritmética de toda la muestra puede calcularse como la me-

dia ponderada de las medias aritméticas de las diferentes submuestras
disjuntas que consideremos.
Sea una muestra de N observaciones, en la que distinguimos 3 sub-

muestras disjuntas, A, B y C, con NA , NB y NC observaciones y x A ,
x B y x C las medias aritméticas de cada submuestra. Entonces
x NNA x A NB
N
xB
NC
N
xC

Medidas de tendencia central: Media Geométrica

Media Geométrica
Se suele denotar con la letra mayúscula G y con la variable como subı́ndice,
Gx .

d
±
px1 x2 . . . xN q
N 1
N
Gx xi N

i 1

En el caso de que se disponga de las frecuencias:
d
±

K
Gx N
xknk

k 1


b
±10
Ej 4: Media Geométrica de la altura de los 10 alumnos, 1a muestra: GAlt
?
10
1 xi
?
i
10
a
164, 920415 1, 6662. Con la 2 muestra, GAlt 10
222, 8654257 1, 717.
d
± ±
6, 169.
3 3 nk
86 n
Ej 1: Media Geométrica de EDAD INIC, GCAPITAS xk k xk86
k 1 k 1

Propiedades Matemáticas de la Media Geométrica
1.- El logaritmo de la media geométrica es igual a la media aritmética del

logaritmo de los valores.
b
±
±N °
p q log N1 log 1 xi p q logpx q
N
i 1 xi
N N 1
Prueba: log Gx log xi
i N
i 1
Caracterı́sticas de la Media Geométrica

- Es única.
- Utiliza todos los valores de la muestra.
- Es menos sensible a los valores extremos que la media aritmética.
Inconvenientes:
No siempre está determinada. Si alguno de los valores se anula (xi 0
para algún i), Gx será 0. Asimismo, la existencia de valores negativos
puede generar la indeterminación de Gx .

¿Cuando conviene usar la media geométrica?

Su uso más frecuente es en el cálculo del valor medio de una variable
que representa variaciones acumulativas: tipos de interés, tasas, números
ı́ndices, etc.
Ej 5: Supongamos el precio de un bien en el año 2008 fue de P2008 . Durante el año
2009 se incrementó un 15 %, en el año 2010 un 10 % y durante el 2011 un 5 %.
¿Cuanto ha aumentado de media anualmente? ¿Cuál ha sido el incremento medio
anual?
Con esta información sabemos que:
P2009 P2008
15
100
P2008 1
15
100
P2008

P2010 P2009
10
100
P2009 1
10
100
P2009 1
10
100
1
15
100
P2008

P2011 P2010
5
100
P2010 1
5
100
P2010

1
5
100
1
10
100
1
15
100
P2008

Ej 5: Por lo tanto, la respuesta óptima serı́a calcular un incremento constante del π %

para los tres años, de forma que:
π π π π 3
P2011 1
100
1
100
1
100
P2008 1
100
P2008
Igualando esta expresión con la obtenida previamente tenemos que

π 3
1
100
P2008 1
5
100
1
10
100
1
15
100
P2008

π 3
1
100
1
5
100
1
10
100
1
15
100
d

π
1
100
3
1
5
100
1
10
100
1
15
100
que es la media geométrica de los incrementos acumulados, esto es, la media

geométrica de la variable xi
1 πi , siendo πi el incremento porcentual en el
año i del precio.

Ej 5: Finalmente, despejando π de la anterior expresion obtenemos:
d

π 100 3
1
5
100
1
10
100
1
15
100
1 9.92 %
Por lo tanto, los precios han aumentado anualmente un 9.92 % de media,

o alternativamente, el incremento medio anual ha sido de un 9.92 %.
Obsérvese que la media aritmética no refleja ese valor: 15 10 5
3
10 %.
En general, el valor medio de una variable que representa variaciones acu-
mulativas se calcula como
π 100 pGx 1q

Medidas de tendencia central: Media Armónica

Media Armónica
Es la inversa de la media aritmética de los N valores invertidos de la va-
riable.
Se suele denotar con la letra mayúscula H y con la variable como subı́ndice,

Hx .


Hx ° N
N
1
i 1 xi
En el caso de que se disponga de las frecuencias:

Hx ° K
N
nk
k 1 xk
Ej 4: Media Armónica de la altura de los 10 alumnos, 1a muestra HAlt °10

10
1
1 xi
1, 664. Con la 1, 694.
i
10 10
6,008
2a muestra, GAlt 5,902
Ej 1: Media Armónica de EDAD INIC, HEDAD INIC °86 13.981

3
86
nk
6.151.
k 1 xk
Relación entre las tres medias: x, Gx y Hx
Si las tres medias existen, entonces:

Hx ¤ Gx ¤x

Caracterı́sticas de la Media Armónica

- Es única.
- Utiliza todos los valores de la muestra.
Inconvenientes:
No siempre está determinada. Si alguno de los valores se anula (xi 0
para algún i), Hx no estará determinada.
Se ve fuertemente afectada por valores muy pequeños (cercanos a 0).
¿Cuando conviene usar la media armónica?

En aquellas variables cuyos valores sean cocientes de dos magnitudes: ve-
locidad (km/h), rendimiento por hectárea,...

Ej 6: Consideremos el viaje de ida y vuelta de Barcelona a Tarragona. Cada trayecto

(BCN a Tarragona y Tarragona a BCN) son D
100 Km. A la ida la velocidad

fue de V1 100 Km/h y a la vuelta fue de V2 80 Km/h. ¿Cuál fue la velocidad
media de ambos trayectos?
Distancia
La respuesta óptima saldrı́a de calcular Tiempo
.
Por un lado, la distancia total fue de 2D 200 Km.

Por otro lado, el tiempo total será la suma del tiempo invertido en el primer y el
segundo trayecto, T1 T2 . En particular, el tiempo en horas invertido en el primer
trayecto es T1 D
V

y en el segundo T2
1
D
V
. 2
Finalmente, la velocidad media será:
V D
2D
D
1
2
1
,
V1 V2 V1 V2
que es la media armónica de las velocidades.
Por lo tanto, en este ejemplo,
HV 1
2
1
0.01 2
0.0125
88.88 Km/h
100 80
Obsérvese que V 1002 80 90 Km/h.

Medidas de tendencia central: Mediana

Mediana
La mediana de una muestra, que suponemos ordenada de menor a ma-
yor, es aquel valor que deja a la izquierda (por debajo) el mismo número
de observaciones que a la derecha (por encima). Es decir, la mediana es
cualquier valor tal que, como mucho, la mitad de la muestra es menor que
dicho valor y, como mucho, la mitad de la muestra es mayor que dicho
valor (han de cumplirse ambas condiciones).
Se suele denotar como Mex , siendo x el nombre de la variable.
La mediana se puede aplicar a variables que se puedan ordenar, cuantita-

tivas y cualitativas ordinales.
Para calcular la Mediana, distinguimos tres casos:

Datos no agrupados.
Tablas de frecuencia sin intervalos.
Tablas de frecuencias con intervalos.

Datos no Agrupados:
En este caso debemos realizar un paso previo, que es ordenar la mues-

tra. Supongamos que tenemos N observaciones, x1 , x2 , ..., xN , xi para i
1, 2, ..., N; si las ordenamos tenemos xp1q , xp2q , ..., xpN q , xpi q para i 1, 2, ..., N;
de forma que xpi 1q ¤ xpi q .

xp N q xp N 1q
Mex xp N 1 q si N es impar Mex 2 2
si N es par
2

2

En el caso par, cualquier valor
2 2
P
xp N q , xp N 1q cumple la definición de mediana. Por
convención se define como mediana el punto medio.
ñ la ordenamos ñ xp11q xp42q x12p3q x15p4q x20p5q .

Ej 1: Si la muestra es: 1 15 20 4 12
N 5, impar, por lo que Mex xp q xp3q 12. N 1

2
Ej 2: Si la muestra es: 1 12 9 4 7 16 ñ la ordenamos ñ xp11q xp42q xp73q xp94q x12p5q x16p6q .

p 2 q xp N2 1q
xp q 2 xp q 7 2 9 8.
x N
N 6, par, por lo que Mex 2
3 4

Tabla de frecuencias sin intervalos:

Caso I. Cuando Dk tal que Nk N2 , entonces Mex xp q k xpk q
1
2
xk nk Nk Dado que para k 2, Nk 5 N2
1 1 1 10
, Mex p q xpk 1q
x k
325 4
Ej 1: 3 4 5 2 2
5 3 8
7 2 10
Caso II. Cuando no existe ningún k tal que Nk N2, entonces consideramos

Nk N2 Nk 1 y calculamos la mediana como Mex xpk 1q

xk nk Nk No existe k tal que Nk N2 , pero para

1 1 1
k 2 se cumple que Nk N Nk 1 .
Ej 2: 3
5
3
4
4
8
Por lo tanto, Mex xpk 1q 2 5.
7 2 10
Hay 4 ( N ) observaciones menores que 5, y 2 (
2
N ) ob-
2
servaciones mayores que 5. Ningún otro punto cumple las dos
condiciones.

Tabla de frecuencias con intervalos:
En este caso primero buscamos el intervalo mediano y despues calculamos

la mediana como un punto del intervalo mediano. En particular:
El intervalo mediano es aquel intervalo k esimo tal que Nk ¥ N2 y

Nk 1 N2 (es decir, k es el menor valor que cumple Nk ¥ N2 ).
La mediana será Mex Lk 1 {

N 2 Nk 1
ak .
nk
pLk 1 , Lk s nk Nk N
14
7, luego el intervalo mediano
(0,2] 2 2 2 2

es el tercero (k 3), 4, 6 .p s
Ej 3: (2,4] 2 4
(4,6] 6 10 Por lo tanto, la mediana será: Mex
N {2Nk 1

(6,8] 4 14 Lk 1 n
ak 4 7
6
4
2 5.
k

Pero, ¿de dónde sale ese punto del intervalo mediano?

El objetivo es encontrar el valor “exacto” de x que tiene una frecuencia
acumulada de N2 7.
Histograma y Ojiva
16
14
Frecuencia Absoluta Acumulada

12
10 B*
8
B
6
4 C*
A C
2
0
0 1 2 3 4 5 6 7 8 9
X
Pero ese punto lo desconocemos (solo disponemos de los datos agrupados),

de manera que lo que hacemos es usar la aproximación que nos proporciona
la Ojiva, lo que equivale a suponer que los datos se distribuyen de forma
uniforme dentro del intervalo.
Siguiendo esta aproximación, el valor que buscamos será aquel que según
la ojiva tenga una frec. abs. acumulada igual a N2 7. Ese valor, según el
gráfico, será Lk 1 AC .
Ahora, por las razones trigonométricas sabemos que

AC
Lk Lk 1
B C
BC
AC
ñ AC BC BAC
C p 2 Nk 1 q N N
N
p N2 Nk 1 q nak
k
k 1 k
con lo que Mex Lk 1 p N

2 q
Nk 1 nakk .
Alternativamente, si los datos se distribuyen de forma uniforme, nakk indica

cuánto hay que variar x (dentro del intervalo) para que aumente la fre-
cuencia abs. acumulada en una unidad. Esto es, la frec. abs. acumulada
de Lk 1 nakk serı́a Nk 1 1; la de Lk 1 2 nakk serı́a Nk 1 2; ... y ası́
sucesivamente, de manera que la de Lk 1 c nakk serı́a Nk 1 c con c ¤ ak .
Esto significa que estamos buscando un valor c tal que
Nk 1 c N2 ñ c N2 Nk 1 .
Por lo tanto, el valor de x que buscamos es
Lk 1 p Nk 1 q .
N ak
2 nk
Caracterı́sticas de la Mediana
- Se basa en el orden que toman los valores de la variable.
- No se ve afectada por valores extremos.
Inconvenientes:
Según la definición original puede no existir un único valor.
Propiedades Matemáticas de la Mediana
1.- La suma de las desviaciones absolutas de los valores de una variable

respecto a una constante b se minimiza cuando esta constante es igual
a la mediana:
¸
N
Mex arg min |xi b|
b
i 1

Medidas de tendencia central: Moda

Moda
La moda es el valor (o valores) de la variable más frecuente (el más repe-
tido).
Si hay más de un valor con frecuencia máxima, habrá más de una moda.
Se dice entonces que la distribución es bimodal (2 modas), trimodal (3
modas), etc.
Se suele denotar como Mox , siendo x el nombre de la variable.
Para el cálculo de la moda distinguimos dos casos:

Tabla de frecuencias con datos no agrupados en intervalos.
Tablas de frecuencias con datos agrupados en intervalos.

Datos no agrupados en intervalos
La moda será aquel valor de x, xk , tal que nk es máximo.
xk nk Mox 7
1 10
3 8
Ej 1:
5 7
7 15
11 13
xk nk En este caso hay 2 Modas:

23 12 Mox t u
28, 51 .
28 18
Ej 2:
35 15
43 12
51 18

Datos agrupados en intervalos
En este caso primero debemos encontrar el intervalo modal, que es aquel

intervalo que tiene la densidad de frecuencia, dk , máxima.
Una vez encontrado el intervalo modal, para asignar un valor a la moda

dentro del intervalo usamos la siguiente formula:

Mox Lk 1 dk d1k d1k 1 ak

siendo dk el máximo de la densidad de frecuencia (y ak la amplitud del
intervalo).
La formula sitúa la moda más cerca del intervalo adyacente que tiene una mayor
densidad de frecuencia (dk 1 ó dk 1 ).
Puede haber más de una moda, puesto que puede haber más de un intervalo
modal.
Cuando los intervalos son de la misma amplitud, ak c para todo k, da lo mismo

considerar la densidad de frecuencia o la frecuencia absoluta o relativa.

Ej: Moda de la variable ESPERANZA

(Esperanza de vida al nacer de las mujeres, en años).
pLk 1 , Lk s nk ak dk pLk 1 , Lk s nk ak dk
(45,55] 5 10 0.5 (40,60] 12 20 0.6
Ej 2:
Ej 1: (55,75] 36 20 1.8 (60,80] 68 20 3.4
(75,80] 39 5 7.8 (80,100] 6 20 0.3
(80,85] 6 5 1.2
Mo 75 1.2
1.8 1.2
5 77 Mo 60 0.3
0.3 0.6
20 66, 67

Caracterı́sticas de la Moda
Se puede emplear para todo tipo de variables, particularmente las categó-
ricas que no se pueden ordenar.
No se ve afectada por valores extremos.
Inconvenientes:
Puede no ser única.

Medidas de tendencia no central

Medidas de Posición no Central
Los cuantiles dan información de la posición de la distribución, aunque
diferente de la central.
En concreto, los cuantiles dividen la muestra (ordenada) en partes iguales

(esto es, que contienen el mismo número de observaciones).
Entre los cuantiles podemos citar:
Cuartiles.
Deciles.
Percentiles.

Cuartiles: Son los tres valores que dividen la muestra (ordenada) en

cuatro partes iguales, de manera que cada una de ellas debe contener
el 25 % de los datos.
Notación: Con C1 denotamos el valor que deja el 25 % de los datos (ordena-
dos) por debajo, con C2 el que deja por debajo el 50 % (la Mediana) y con
C3 el que deja por debajo el 75 %.
Cuartiles
C1 C2 C3

Deciles: Son los nueve valores que dividen la muestra (ordenada) en

diez partes iguales, de manera que cada una de ellas debe contener
el 10 % de los datos.
Notación: Con D1 denotamos el valor que deja el 10 % de los datos (orde-
nados) por debajo, con D2 el que deja deja por debajo el 20 %, . . . y con D9
el que deja por debajo el 90 %. Obsérvese que D5 coincide con C2 y Me.
Deciles
D1 D2 D3 D4 D5 D6 D7 D8 D9
Percentiles: Son los noventa y nueve valores que dividen la muestra

(ordenada) en cien partes iguales, de manera que cada una de ellas
debe contener el 1 % de los datos.
Notación: Con P1 denotamos el valor que deja el 1 % de los datos (ordenados)
por debajo, con P2 el que deja por debajo el 2 %, . . . y con P99 el que deja
por debajo el 99 %. Obsérvese que P50 coincide con D5 , C2 y la mediana.

Medidas de tendencia no central: Cuantiles
Cálculo de los Cuantiles

El cálculo de los cuantiles es similar al cálculo de la mediana.
Para simplificar la explicación denotaremos los cuantiles por Qr {M , donde

M es el número de partes en que dividimos la muestra (M 4 en los
cuartiles, M 10 en los deciles y M 100 en los percentiles) y r denota-
rá el cuantil exacto que buscamos (por ejemplo, Q1{4 C1 , Q3{10 D3 ,
Q45{100 P45 , . . .).
De esta manera nos bastará con explicar una vez el cáculo para cubrir todos
los casos posibles.

Datos no agrupados en intervalos

La frecuencia acumulada que determina el cuantil Qr {M es r
M N. Por lo
tanto,
si en la tabla de frecuencias Dk tal que Nk Mr N, entonces Qr {M
xk xk 1
2
si no existe la frecuencia acumulada exacta, entonces Qr {M xk ,

donde k cumple que Nk 1 Mr N ¤ Nk .
Datos agrupados en intervalos
En primer lugar determinamos el intervalo que contiene a Qr {M . Este

será el intervalo pLk 1 , Lk s, donde Nk 1 Mr N ¤ Nk .
Una vez determinado el intervalo, asignamos un valor a Qr {M dentro

del intervalo empleando la siguiente fórmula:
Qr {M Lk 1
rN
M Nk 1 a
k
nk

xk nk Nk 1
4 20 5 ñ Q1{4 2 2 3 2.5
1 2 2 2
4 20 10 ñ Q2{4 4
Ej 1:
2 3 5 3
4 20 15 ñ Q3{4 5
3 4 9
4 5 14
5 6 20

pLk 1 , Lk s nk Nk
(0,2] 5 5
(2,4] 3 8
Ej 2:
(4,6] 1 9
(6,8] 3 12
(8,10] 3 15
1
4 15 3.75 ñ p0, 2s ñ Q1{4 0 3.7550 2 1.5
7.55
4 15 7.5 ñ p2, 4s ñ Q2{4 2 3 2 3.6
2
11.259
4 15 11.25 ñ p6, 8s ñ Q3{4 6 2 7.5
3
3

Caracterı́sticas de los cuantiles

Los cuantiles se pueden calcular para variables cuantitativas o categóricas
ordinales.
En general muestran más información cuando se utilizan en conjunto.
No se ven afectados por valores extremos.
Inconvenientes:
Como la mediana, según la definición general pueden no ser únicos.
Son útiles en muestras grandes.


Medidas de variabilidad o dispersión
Las medidas de dispersión nos indican si los datos se encuentran agrupados

y son de magnitudes similares o si por el contrario están dispersos y toman
valores muy diferentes entre sı́.
Como el resto de estadı́sticos, las medidas de dispersión tratan de resumir

en un número la información que hay en la muestra. Pero las medidas de
dispersión se pueden utilizar además para medir la representatividad de las
medidas de posición o tendencia (media, mediana, etc.).
Histograma 1 Histograma 2
Media Media
Tal y como ilustran los gráficos, cuanto menor/mayor sea la dispersión de

la muestra mayor/menor será la representatividad de la media, la mediana
y la moda.

Medidas de variabilidad o dispersión
Dentro de las medidas de dispersión, distinguiremos dos tipos:
Medidas de dispersión absolutas:

Recorrido o Rango
Recorrido intercuartı́lico
Desviación absoluta media
Varianza
Desviación estándar.
Dependen de las unidades de medida, lo cual dificulta la comparación entre conjun-
tos de datos diferentes. Ej: dispersión de salarios en diferentes paı́ses con diferentes
monedas.
Medidas de dispersión relativas:

Coeficiente de apertura
Recorrido relativo
Recorrido intercuartı́lico relativo
Coeficiente de Variación de Pearson
No dependen de las unidades de medida, lo que facilita la comparación entre
muestras diferentes.
Medidas de dispersión absoluta
Recorrido o Rango.
Es la diferencia entre el valor máximo y el valor mı́nimo de una muestra.
Lo denotaremos por Rx :

Rx xpN q xp1q xmax xmin

Ej 1:
xk
nk
3
4
8
1
12
3
20
5
Rx xpN q xk
nk
3
1
8
6
12
5
20
1
Rx xpN q
xp1q 20 3 17 xp1q 20 3 17
Caracterı́sticas:
Se puede aplicar sobre variables cuantitativas.
Inconvenientes:
Es muy sensible a observaciones extremas.
No aporta información sobre la distribución de los datos dentro del
rango.

Recorrido intercuartı́lico.
Es la diferencia entre el tercer y el primer cuartil. Lo denotaremos por
RI px q.
RI px q Q3{4 Q1{4

Ej 2:
xk nk Nk
4
5
7
2
7
9
Q1{4 4 ð 14 20 5 ñ N1 7
7 4 13
12 4 17 Q3{4 12 ð 34 20 15 ñ N3 17
RI px q Q3{4 Q1{4 12 4 8
25 3 20
Caracterı́sticas:
Se puede aplicar sobre variables cuantitativas.
Es menos sensible que el Rango a los valores extremos.

Inconvenientes:
No aporta información sobre la distribución de los datos (más allá de
que el 50 % de los datos está en RI ).

Las medidas de dispersión absoluta que vamos a ver a continuación usan

todas las observaciones y se basan en la distancia de cada observación a
un mismo punto (desviación).
En general, dado que las medidas de dispersión suelen usarse para ver la
representatividad de las medidas de posición central, ese punto puede ser
cualquiera de los estadı́sticos de posición central: la mediana, la moda y,
particularmente, la media.
Ası́, una forma alternativa de ver si las observaciones están dispersas o

apiñadas en torno a la media aritmética o si están esparcidas a lo largo del
rango es calcular las desviaciones respecto de la media aritmética, xi x,
para cada una de las observaciones.

De esta forma obtendremos N desviaciones, lo que plantea la cuestión de

¿cómo resumir esa información en un único valor?
Dos posibles soluciones:
La media aritmética del valor absoluto de las desviaciones, |xi x| ñ

°
|xi x |.
N
1
N

i 1
La media aritmética de las desviaciones al cuadrado, pxi x q2 ñ

°
pxi x q2 .
N
1
N

i 1
La más importante y empleada es la segunda, la varianza.

Desviación absoluta media

Media aritmética de las desviaciones “absolutas” entre el valor de cada ob-
servación y la media aritmética de la muestra. La denotaremos por DM px q.

°
|xi x |
N
1
Datos no Agrupados:
i 1
N

°
nk |xk x|
K
1
Tabla de Frecuencias:

N
k 1

Ej 1: Muestra: 0,0,1,1,5,5.
x 0
126 2
0 1
6
1 5 5
DM px q
|0 2| | 2| |1 2| |1 2| |5 2| |5 2|
0
6
2 2 1
6
1 3 3
2

x
0 4
1 6 6
0.6
10 10
xk 0 1 pq
DM x
| | | |
4 0 0.6 6 1 0.6
Ej 2: 10
nk 4 6
2.4 2.4
10
0.48
Interpretación:
Cuanto mayor/menor es la desviación absoluta media, mayor/menor
es la dispersión.
Caracterı́sticas:
Se aplica sobre variables cuantitativas.
DM px q ¥ 0. Si DM px q 0, todas las observaciones son iguales.
Está expresada en las mismas unidades que la variable.

Varianza
Media aritmética de los cuadrados de las desviaciones entre el valor de
cada observación y la media aritmética de la muestra. La denotaremos por
S 2 px q.

°
pxi x q
N
1 2
Datos no Agrupados:

N
i 1

°
nk pxk x q2
K
1
Tabla de Frecuencias:

N
k 1

Ej 1: Muestra: 0,0,1,1,5,5.
x 0 0 1
6
1 5 5
126 2
p q p0 2q p0 2q p1 2q2 p1 2q2 p5 2q2 p5 2q2
2 2
S2 x
6
4 4 1
6
1 9 9
4.6

x
0 4 6 0.6
1 6
10 10
xk 0 1 pq
S2 x
p q 6 p1 0.6q2
4 0 0.6 2
Ej 2: 10
nk 4 6
1.44
10
0.96
0.24
Interpretación:
Cuanto mayor/menor es la varianza, mayor/menor es la dispersión.
Caracterı́sticas:
S 2 px q ¥ 0. Si S 2 px q 0, todas las observaciones son iguales.
Está expresada en las unidades de la variable elevadas al cuadrado.

Propiedades Matemáticas de la Varianza

1.- S 2
¥ 0. No puede ser negativa
2.- La varianza es una medida de dispersión óptima, puesto que:
1 ¸ ¸
N N
N i 1
pxi x q2 N1 pxi k q2

i 1
para k x.
°
S 2 px q N1 xi2 x 2 x 2 x 2 . La varianza es la diferencia entre
N
3.-

i 1
la media aritmética del cuadrado de la variable y la media aritmética
al cuadrado.
Prueba:
Ņ Ņ
S2 x pq 1
pxi x q2 N1 xi2 x2 2xi x
N i 1 i 1
Ņ Ņ Ņ Ņ Ņ
1
xi2
1
x2 N1 2xi x N1 xi2 x2 2x N1 xi
N i 1 N i 1 i 1 i 1 i 1
Ņ Ņ
1
xi2 x2 2x 2 N1 xi2 x2
N i 1 i 1

4.- Cambio de origen: Si sumamos una constante, a, a todos los valores
de la muestra, yi xi a, la varianza de la nueva variable será la
misma que la de x: S 2 py q S 2 px q.
Prueba:
Ņ Ņ
S2 ypq 1
pyi y q2 N1 pxi a px a qq2
N i 1 i 1
Ņ
1
pxi x q2 S 2 px q
N i 1
usando la propiedad 3 de la media aritmética, y x a.
5.- Cambio de escala: si multiplicamos por una constante, b, todos los

valores de la muestra, y bx, la varianza de la nueva variable se verá
multiplicada por b2 : S 2 py q b2 S 2 px q.
Prueba:
Ņ Ņ Ņ
S2 y pq 1
pyi y q2 N1 pbxi bx q2 N1 p x q2 b2 S 2 px q
b 2 xi
N i 1 i 1 i 1
usando la propiedad 4 de la media aritmética, y bx.
° °
6.- S 2 px q px l x q2 , con Nl , x l , Sl2 el tamaño, la media
L L
Nl Nl
Sl2
l 1 N

l 1
N
aritmética y la varianza de L submuestras disjuntas.
xk 3 8 9 11 12
Ej 3:
nk 5 4 5 4 2
x 1
20
p
5 3 4 8 5 9 4 11 2 12 q8
1
pq
S2 x
20
p q
5 3 8 2 4 8 8 2 5 9 8 2 p q p q p 8q2
4 11 p 8q2 9.9
2 12

Ej 3.1: Transformamos x, creando y 10x 80:

xk -50 0 10 30 40
nk 5 4 5 4 2
y 1
20
p p q
5 50 4 0 5 10
4 30 q 0 10x 80 y
2 40
1
pq
S2 x
20
p q p q
5 50 0 2 4 0 0 2 p 0q2
5 10 p 0q2
4 30 2 40p 0q2 990
102 S 2 xp q p q
S2 y

Ej 3.2: Consideramos dos submuestras, A la formada por los xk pares, y

B formada por los impares.
xA 4 8
2 12
9.33
6
xB 5 3 5 9 4 11
7.42
6
ñx NA x A NB x B
N
6 9.33 2014 7.42 8
pq
SA2 x
p 9.33q2
4 8p 9.33q2 3.55 2 12
6
5p3 7.42q2 5p9 7.42q2 4p11 7.42q2
SB px q
2
11.53
14
pq
S2 x
NA S 2 x p qA
NB S 2 x p qB p x q2
NA x A p q
NB x B x 2
N N

6 3.55 14 11.53 p
6 9.33 8q2 p q
14 7.42 8 2
9.14 0.76 9.9
20 20

Desviación Tı́pica (o Estandar)

Es la raı́z cuadrada positiva de la varianza. La denotaremos por S px q o
DE px q.
? 2
S S
Interpretación:
Como en el caso de la varianza, a mayor/menor valor mayor/menor
dispersión.
Caracterı́sticas:
Está expresada en las mismas unidades que la variable.

Propiedades Matemáticas de la Desviación Tı́pica
1.- S ¥ 0. No puede ser negativa

2.- Es una medida de dispersión óptima.
3.- No se ve afectada por cambios de origen.
4.- Se ve afectada por los cambios de escala. En concreto,
y bx ñ S py q |b| S px q

Medidas de dispersión relativa

Medidas de dispersión relativas

Estas medidas se utilizarán:
1) cuando se quieran comparar muestras que no están expresadas en la
mismas unidades;
2) cuando expresadas en la misma unidad de medida, sus medias son muy
diferentes.
Entre las medidas de dispersión relativas se encuentran:
El coeficiente de Apertura.
El Recorrido Relativo.
El coeficiente de variación de Pearson.

Coeficiente de apertura
Es el cociente entre los dos valores extremos de una muestra. Lo denota-
remos por Ap px q.

Ap px q xppN1qq xxmax
x
min

Interpretación:
Cuantas veces es más grande la observación más elevada respecto de
la más pequeña.
Caracterı́sticas:
Se aplica sobre variables cuantitativas, normalmente positivas.
Ap ¥ 1 si las variables toman valores positivos.

Inconvenientes:
Al utilizar sólo los valores extremos, no tiene en cuenta la dispersión
de la muestra entre esos dos valores (la misma crı́tica que se puede
hacer al Recorrido y Recorrido intercuartilico).
Ej: Muestra alturas: 1.55, 1.60, 1.70, 1.85, 1.71, 1.65, 1.60, 1.68, 1.64 y
1.70. Ap 1.85
1.55 1.19.
Recorrido relativo
Es el recorrido (rango) de la muestra dividido entre su media aritmética.
Lo denotaremos por Rr px q.
Rr px q Rx

Interpretación:
Cuantas veces“cabe”la media aritmética en el recorrido de la muestra.
Caracterı́sticas:
Existen recorridos relativos a otras medidas de posición central.
Ej: Muestra: 1,4,8,12,18. R 18 1 17. x 435 8.6. Rr px q 8.6

17

1.98.

Recorrido intercuartı́lico relativo

Es el recorrido intercuartı́lico de la muestra dividido entre su mediana. Lo
denotaremos por RIr px q.
RIr px q Me
RI
x

Interpretación:
Cuantas veces “cabe” la mediana en el recorrido intercuartı́lico.
Caracterı́sticas:
xk 4 5 7 12 25
Q1{4 4, Q2{4 7 y Q3{4 12
Ej: nk 7 2 4 4 3 ñ p q
RI x 8
RI px q
Nk 7 9 13 17 20
{
RIr Q
2 4
8
7
1.14

Coeficiente de variación de Pearson

Es el cociente entre la desviación tı́pica y el valor absoluto de la media
aritmética. Lo denotaremos por CVx .

CVx |Sxx|

Interpretación:
Cuanto más cerca de 0 menor es la dispersión relativa; cuanto más
lejos de 0, mayor es la dispersión relativa, o alternativamente, cuanto
más cerca de 0 más representativa es la media aritmética; cuanto más
lejos de 0, menos representativa es la media aritmética.
Caracterı́sticas:
Inconvenientes:
Si x está cercano a 0, entonces CVx es poco fiable.
Ej: Muestra: 0,1,1,1,2,2,3,5,5,5,5,6. x 36

3. Sx2 48
4, Sx 2.
CVx 23 0.667
12 12

Propiedades Matemáticas del Coeficiente de variación de Pearson

1 Cambio de origen: El coeficiente de variación de Pearson se ve
afectado por los cambios de origen.
y x a
CVy |Syy| |x Sx a| CVx
2 Cambio de escala: El coeficiente de variación de Pearson no se ve

afectado por los cambios de escala.
y bx
CVy |Syy| ||bb|| |Sxx| CVx


Forma de una distribución: asimetrı́a y curtosis
El análisis estadı́stico de las secciones anteriores tenı́a como objetivo re-

sumir la información que habı́a en la muestra utilizando las medidas de
posición y de dispersión.
En esta sección analizaremos cómo obtener, a través de algún estadı́stico,
información adicional sobre aspectos complementarios de la muestra. En
particular, información sobre la forma de la distribución o histograma.
En concreto, analizaremos dos aspectos de la forma de la distribución:
Simetrı́a respecto de la media aritmética. Trata de comparar la dis-

tribución a la izquierda (por debajo) de la media aritmética con la
distribución a la derecha (por encima) de la media aritmética.
Apuntamiento o curtosis. Mide la mayor o menor concentración de

observaciones en la zona central de la distribución o histograma.

Medidas de Asimetrı́a

Una distribución es simétrica si los valores equidistantes (a la misma dis-
tancia) a la media aritmética tienen la misma frecuencia.
Esto es, si xk p x q pxq x q, entonces, nk nq .
Si la distribución es simétrica perfecta, Mex x.
Si, además, es unimodal, Mox Mex x.
Ej 1: y Mey Moy 0.
yk nk
-5 1
Histograma
-4 2 8
B
-3 3 7
Mo=Me=
-2 4 6
Frecuencia Absoluta
-1 5 5
4
0 6 3
1 5 2
2 4 1
3 3 0
-6 -4 -2 0 2 4 6
4 2 Y
5 1
Tipos de Asimetrı́a
Asimetrı́a a la derecha o positiva
La cola de la derecha de la distribución es más alargada.
La Media es mayor que la mediana.

Dado que la media aritmética cumple que la distancia de las observaciones
que están por debajo (izq.) es igual a las que están por encima (dcha.), la
media aritmética debe estar a la derecha, por eso será mayor que la mediana.
Las N {2 observaciones por debajo (izquierda) de la mediana están

mas cerca de la mediana que las que están por encima (derecha).

Ej 2:
yk nk
-5 2
Histograma
-4 4 8
Mo=Me
B
-3 6 7
-2 7 6
Frecuencia Absoluta
-1 5 5
4
0 3 3
1 2 2
2 2 1
3 2 0
-6 -4 -2 0 2 4 6
4 1 Y
5 1
6 1
y 1, Moy Mey 2

Tipos de Asimetrı́a
Asimetrı́a a la izquierda o negativa
La cola de la izquierda de la distribución es más alargada.
La Media es menor que la mediana.

Dado que la media aritmética cumple que la distancia de las observaciones
que están por debajo (izq.) es igual a las que están por encima (dcha.),
la media aritmética debe estar a la izquierda, por eso será menor que la
mediana.
Las N {2 observaciones por debajo (izquierda) de la mediana están

mas lejos de la mediana que las que están por encima (derecha).

Ej 3:
yk nk
-6 1
Histograma
-5 1 8
B Mo=Me
-4 1 7
-3 2 6
Frecuencia Absoluta
-2 2 5
4
-1 2 3
0 3 2
1 5 1
2 7 0
-7 -5 -3 -1 1 3 5
3 6 Y
4 4
5 2
y 1, Moy Mey 2

a) Coeficiente de asimetrı́a de Pearson.

Asp x Mox
S px q

Se utiliza en distribuciones unimodales.
Si Asp
0 la distribución es Simétrica.
Si Asp ¡
0 la distribución es Asimétrica positiva ô x ¡ Mox .
Si Asp
0 la distribución es Asimétrica negativa ô x Mox .
b) Coeficiente de asimetrı́a de Bowley.

Q 2Me
Asb 3{Q4 3{4 1{Q4 1{4
Q

Si Asb
0 la distribución es Simétrica.
Si Asb ¡
0 la distribución es Asimétrica positiva.
Si Asb
0 la distribución es Asimétrica negativa.

c) Coeficiente de asimetrı́a de Fisher.

1
°K n px x q3
g1 1
N k k
k

pS px qq3

Si g 1 0 la distribución es Simétrica.
¡
Si g 1 0 la distribución es Asimétrica positiva ô x ¡ Mex

Si g 1 0 la distribución es Asimétrica negativa ô x Mex .
° °1 °
p xq 0 ô p xq p x q, donde xk ¤ x
K K K
Sabemos que nk xk nk xk nk xk
k 1 k 1 k K1 1
si k ¤ K1 . Por lo tanto,
¸
K1 Ķ
g1 ñ p x q2 pxk x q ¾
nk xk nk xkp x q2 pxk x q
k 1 K1 1

Medidas de curtosis.

Medidas de Apuntamiento o Curtosis

Se aplica a distribuciones unimodales y más o menos simétricas, que se
conocen como campaniformes.
Las medidas de curtosis miden el grado de aplanamiento o apuntamiento

de una distribución unimodal.
Para definir este grado, se compara con el de una de las distribuciones más
usadas, la Normal o Gausiana.
Hay tres tipos básicos de apuntamiento o curtosis:

Mesocúrtico, que hace referencia a la curtosis de la distribución nor-
mal o gausiana.
Leptocúrtico, cuando el apuntamiento es superior a la normal y se

aprecia una mayor concentración en torno a x.
Platicúrtico, cuando el apuntamiento es inferior a la normal y se

aprecia una menor concentración en torno a x.

Tipos de apuntamiento
Distribución Mesocúrtica: hace referencia a la curtosis de la distribución
normal o gausiana.
Distribucion Normal
0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
-4 -3 -2 -1 0 1 2 3 4

Distribución Leptocúrtica: cuando el apuntamiento es superior a la nor-
mal y se aprecia una mayor concentración en torno a x.
Distribución leptocúrtica
0,8
Normal
0,7
leptocúrtica
0,6
0,5
0,4
0,3
0,2
0,1
0
-4 -3 -2 -1 0 1 2 3 4

Distribución Platicúrtica: cuando el apuntamiento es inferior a la normal
y se aprecia una menor concentración en torno a x.
Distribución Platicúrtica
0,45
0,4 Normal
platicúrtica
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
-4 -3 -2 -1 0 1 2 3 4


Coeficiente de curtosis de Fisher
Lo denotaremos por g2 y se calcula como

1
°K n px x q4
g2 1 3
N k k
pS px qq4
k
1 °K n px x q4
N
1 k k
pS px qq
k
La razón por la que al cociente 4 se le resta 3 es que, para el caso de la
1 °K n px x q4
k 1
3.
N k k
normal, pS px qq
4
De esta forma:
Si g2 0 la distribución es mesocúrtica.
Si g2 ¡ 0 la distribución es leptocúrtica.
Si g2 0 la distribución es platicúrtica.


Apéndice
Las distintas medidas o estadı́sticos utilizados para ver las diferentes ca-
racterı́sticas de una distribución que incluı́an a todas las observaciones de
la muestra pueden agruparse en lo que se denotan como momentos de
orden r respecto de κ.
Estos momentos los denotaremos por Mr ,pκq px q y se calculan de la siguente
manera:

°K n px κqr
Datos agrupados: Mr ,κ px q 1
k k
k
N

°N px κqr
Datos no agrupados: Mr ,κ px q 1
i
i
N
Todos se pueden interpretar como medias aritméticas de una transforma-
ción de la variable original.
Estos momentos caracterizan una distribución. Esto es, dos distribuciones
sólo serán iguales si tienen todos sus momentos iguales.

Apéndice
Se distinguen dos tipos de momentos:
Momentos respecto del origen, ar (esto es, κ 0):

°
ar px q
K
1
nk xkr

N

k 1

Momentos respecto de la media aritmética, mr (también conoci-

dos como momentos centrales y en los que κ x):

°
mr px q nk pxk x qr
K
1

N

k 1


Apéndice
Propiedades
1. m1 0
2. Todos los momentos centrados pueden escribirse como una función
de los momentos respecto del origen.
m2 a2 a1
m3 a3 3a2 a1 2a13
m4 a4 6a2 a12 4a3 a1 3a14
Igualdades
1. x a1
2. S px q m2 a2 a1
2
3. g 1 m{ 3
3 2
m
g2 m 3
2
m
4. 4
2
2

Análisis descriptivo de los datos
Oscar Martı́nez y Miguel Manjón
Curso Académico 2020-2021

Transparencias Tema 2 Completas Imprimir (Miquel Manjón y Oscar Martínez) PDF

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Transparencias Tema 2 Completas Imprimir (Miquel Manjón y Oscar Martínez) PDF

Cargado por

Copyright:

Formatos disponibles

Análisis descriptivo de los datos

Oscar Martı́nez y Miguel Manjón

Curso Académico 2020-2021

1 Distribución de frecuencias de una variable.

2 Reducción de datos, agrupación en intervalos.

4 Parámetros poblacionales. Medidas y estadı́sticas muestrales.

5 Medidas y estadı́sticos de posición: medidas de tendencia central.

6 Medidas de variabilidad o dispersión.

7 Forma de una distribución: asimetrı́a y curtosis.

8 Apéndice: Momentos de una distribución.

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

En este tema estudiaremos cómo realizar el análisis descriptivo de los datos

Pais Nombre del paı́s

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

1 Distribución de frecuencias de una variable.

2 Reducción de datos, agrupación en intervalos.

4 Parámetros poblacionales. Medidas y estadı́sticas muestrales.

5 Medidas y estadı́sticos de posición: medidas de tendencia central.

6 Medidas de variabilidad o dispersión.

7 Forma de una distribución: asimetrı́a y curtosis.

8 Apéndice: Momentos de una distribución.

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Si a la variable la denotamos por X , cada posible valor que puede tomar

Al número total de posibles valores que puede tomar la variable lo deno-

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Distinguimos cuatro tipos de frecuencias:

Frecuencia absoluta acumulada.

Frecuencia relativa acumulada.

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Valor de CAPACIDAD EST Valor X, xk Frecuencia Absoluta, nk

Tema 2: Análisis descriptivo de los datos Estadı́stica I

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Sean a una constante, xk e yk para k  1, 2, ..., K números reales cuales-

Propiedades de los sumatorios:

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Frecuencia Absoluta Acumulada.

La tabla con estas frecuencias tiene sentido si los posibles valores de la

Valor de CAPACIDAD EST Valor X, xk Frecuencia Absoluta Acumulada, Nk

Frecuencia Relativa Acumulada.

- Fk es el tanto por 1 de observaciones que toman un valor inferior o igual

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

1 Distribución de frecuencias de una variable.

2 Reducción de datos, agrupación en intervalos.

4 Parámetros poblacionales. Medidas y estadı́sticas muestrales.

5 Medidas y estadı́sticos de posición: medidas de tendencia central.

6 Medidas de variabilidad o dispersión.

7 Forma de una distribución: asimetrı́a y curtosis.

8 Apéndice: Momentos de una distribución.

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

En el caso de variables cualitativas nominales, habitualmente también po-

En particular, para las variables cuantitativas discretas habitualmente tam-

Tema 2: Análisis descriptivo de los datos Estadı́stica I

Sin embargo, en casos en los que haya muchas clases o categorı́as (K

Este es el caso habitual (aunque no exclusivo) de las variables cuantitativas

En estos casos, la tabla de frecuencias para datos no agrupados no resume

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

¡Atención! Al hacer agrupamientos se pierde información.

Tema 2: Análisis descriptivo de los datos Estadı́stica I C

Antes de construir las tablas de frecuencias para datos agrupados debemos

Sean a una constante, xk e yk para k 1, 2, ..., K números reales cuales-

La amplitud del intervalo se denota como ak Lk Lk 1 .

p s Lk 12 ° nk nNk NNk