RESUMEN – ESTADÍSTICA 7.

Docente: Ing. Mec. Juan Hernández.

1. Medidas de centralización para tablas de datos no agrupados. Son números ubicados relativamente
cerca del centro de la distribución de los valores de un conjunto de datos 𝑋. Los más comunes son las
medias aritmética 𝐴, armónica 𝐻, geométrica 𝐺 y cuadrática 𝑄, cuyas definiciones para tablas de datos no
agrupados, respectivamente son:

1 1 1 𝑓
𝐴(𝑋) = 𝑓𝑥 = prom(𝜉 ) | 𝑖 ∈ ℕ. =
𝑛 𝐻(𝑋) 𝑛 𝑥

1
𝐺(𝑋) = 𝑥 𝑄(𝑋) = 𝑓𝑥
𝑛

Así como la mediana med y la moda mod, definidas en una no agrupación de datos como:

med(𝑋) = 𝜉 y mod(𝑋) = max 𝑓 .

Porisma 14. Las medias satisfacen siempre que: 𝐻 ≤ 𝐺 ≤ 𝐴 ≤ 𝑄.

2. Medidas de dispersión para tablas de datos no agrupados. Los momentos estadísticos son unos
indicadores que permiten establecer el grado de simetría o de dispersión de los datos que presenta una
distribución de una variable aleatoria sin tener que hacer su representación gráfica. Los momentos más
importantes son el 𝑚-ésimo momento central y el 𝑚-ésimo momento estándar, los cuales están definidos
por:

1
Momento central: 𝜇 = 𝑓 𝑥 − 𝐴(𝑋)
𝑛

𝜇 𝜇
Momento estándar: 𝜇 = =
𝜇 √var 𝑋

Algunos de estos momentos son medidas de dispersión. Una primera medida es la varianza o variancia, y
significa la distancia cuadrada promedio de los datos 𝜉 ,𝜉 , ⋯ ,𝜉 ∈ 𝑋 a la media aritmética 𝐴(𝑋) de todos
ellos. Su valor coincide con el segundo momento central. Ahora, si se piensa en una gráfica de frecuencias
(en la que se representan las clases 𝑥 y sus respectivas frecuencias 𝑓 mediante barras verticales), y se toma
como eje de referencia al horizontal, podemos plantear la existencia de una simetría, o bien de una asimetría,
de las frecuencias en ella representadas. Si la referencia ahora es el eje vertical, entonces se habla de una
simetría o asimetría de la distribución de los datos. A estos dos últimos conceptos se les llama coeficiente
de asimetría de Fisher, y, curtosis, respectivamente. Sus valores corresponden con el tercer y cuarto
momento estándar. Puntualmente:

1
Varianza: var 𝑋 =𝜇 = 𝑓 𝑥 − 𝐴(𝑋)
𝑛

𝜇 1
Coef. de asimetría de Fisher: skew 𝑋 = 𝜇 = = 𝑓 𝑥 − 𝐴(𝑋)
√var 𝑋 𝑛√var 𝑋
𝜇 1
Curtosis: kurt 𝑋 = 𝜇 = = 𝑓 𝑥 − 𝐴(𝑋)
var 𝑋 𝑛 var 𝑋
 Con el cálculo de estos valores, se puede deducir el comportamiento de ciertas medidas de centralización,
así como la “forma” de la gráfica de distribución de frecuencias. Así pues, la varianza refleja que

Si var 𝑋 > 0, 𝑋 presenta una distribución normal ∴ mod 𝑋 ~ med 𝑋 ~ 𝐴(𝑋)

Si var 𝑋 = 0, 𝑋 presenta una distribución nula ∴ mod 𝑋 = med 𝑋 = 𝐴(𝑋)

FIG. 1. Gráficas de frecuencias. Imagen superior: Gráfica de una distribución normal positiva y mesocúrtica. Imagen
inferior: Gráfica de una distribución normal simétrica mesocúrtica. Nótese que la barra más alta representa la moda
y que la barra barrada representa la media aritmética.

el coeficiente de asimetría de Fisher refleja que

Si skew 𝑋 > 0, 𝑋 presenta una distribución positiva ∴ mod 𝑋 < med 𝑋 < 𝐴(𝑋)
Si skew 𝑋 = 0, 𝑋 presenta una distribución simétrica ∴ mod 𝑋 = med 𝑋 = 𝐴(𝑋)
Si skew 𝑋 < 0, 𝑋 presenta una distribución negativa ∴ mod 𝑋 > med 𝑋 > 𝐴(𝑋)

y la curtosis refleja que

Si kurt 𝑋 > 3, 𝑋 presenta una curva leptocúrtica ∴ mod 𝑋 ≫ med 𝑋
Si kurt 𝑋 = 3, 𝑋 presenta una curva mesocúrtica ∴ mod 𝑋 ≈ med 𝑋
Si kurt 𝑋 < 3, 𝑋 presenta una curva platicúrtica ∴ mod 𝑋 ≪ med 𝑋

Adicionalmente tenemos a la Desviación media absoluta que, se define como:

1
mad 𝑋 = (|𝑥 − 𝐴(𝑋)|𝑓 ) ≥ 0.
𝑛

3. Desviación típica. Resultan ser también una medida de dispersión que es propias tanto de tablas de datos
agrupados como no agrupados:

Desviación estándar ó típica: 𝜎(𝑋) = √var 𝑋