INSTITUTO TECNOLOGICO SUPERIOR DE CALKINI

Nombre de la asignatura:
Estadística para la Administración I
Carrera: Licenciatura en Administración.
Clave: LAD-1016
Hrs. teoría - Hrs. práctica - Créditos: 2 - 3 - 5
EN EL ESTADO DE CAMPECHE

TEMARIO

U N I D A D 3

RAMIRO JOSE GONZALEZ HORTA

A r q u i t e c t o
Arq. Ramiro González Horta. Abril 2011

U N I D A D 3
Medidas de posición y variación para datos agrupados
y no agrupados
3.1 Media aritmética, Mediana y Moda.

3.2 Cuartiles, Deciles y Percentiles

3.3 Rango, Varianza, Desviacion Estandar, Coeficiente de Variacion y de Pearson

 U N I D A D 3
Medidas de posición y variación para datos agrupados
y no agrupados

3.3 Rango, Varianza, Desviacion Estandar, Coeficiente

de Variacion y de Pearson

Datos no agrupados
MEDIDAS DE DISPERSIÓN (datos no agrupados)

Medidas de Dispersión. Cuando se tiene una muestra de datos obtenida de

una población cualquiera, es importante determinar sus medidas de
tendencia central así como también es básico el determinar que tan dispersos
están los datos en la muestra, por lo que se hace necesario determinar su
rango, la varianza, la desviación estándar, etc., ya que una excesiva
variabilidad o dispersión en los datos indica la inestabilidad del proceso en
análisis en la mayoría de los casos.

Rango o recorrido. El rango es la diferencia entre el valor mayor y el valor

menor encontrados en la muestra, también se le denomina recorrido ya que
nos dice entre que valores hace su recorrido la variable de interés; y se
determina de la siguiente manera:

R = VM – Vm
Donde:

R = rango o recorrido
VM = valor mayor en la muestra
Vm = valor menor en la muestra

Ejemplo:
1. Se han tomado como muestras las mediciones de la resistencia a la tensión de la soldadura usada para unir dos cables,
estas son: 78.5kg, 82.4, 87.3, 78.0, 90.0, 86.5, 77.9, 92.4, 75.9, determine su rango o recorrido.

Solución:
VM = 92.4 kg
Vm = 75.9 kg
R = VM – Vm = 92.4 – 75.9 = 16.5 kg

2. Se toman las mediciones de la cantidad de grasa de la leche en gramos por cada 100 ml de leche que entra a un proceso de
pasteurización, a continuación se enumeran; 14.85, 15.32, 12.76, 16.29, 15.84, 17.3, 17.61, 16.33, determine el rango o
recorrido de la cantidad de grasa de la leche.

Solución:

VM = 17.61
Vm = 12.76

R = 17.61 – 12.76 = 4.85gramos

Desviación absoluta media ( d ). Esta medida de dispersión nos representa la

diferencia absoluta promedio que existe entre cada dato que se encuentra en
la muestra y la media de los datos y se determina de la siguiente manera:

n _

_  xi − x
i =1
d=
n

Donde:
xi = dato i
_
x = media aritmética de la muestra
n = número de datos en la muestra

Ejemplo:
1. Determine la desviación absoluta media de los siguientes datos que son las
concentraciones de plomo de algunas muestras, las que a continuación se
enumeran: 18gr, 12, 21, 19, 16, 20, 22

Solución:
Para determinar la desviación absoluta media o promedio, lo primero que hay que
hacer es calcular la media aritmética de los datos de la muestra, la que es 128/7
=18.286, luego se procede a calcular el promedio de las diferencias absolutas entre
cada dato y la media calculada.

_ 18 − 18.286 − 12 − 18.286 − ..... − 20 − 18.286 − 22 − 18.286

d= =
7

_
0.286 + 6.286 + 2.714 + 0.714 + 2.286 + 1.714 + 3.714 17.714
d= = = 2.5305 gr
7 7

La interpretación de este resultado sería que el grado de alejamiento absoluto

promedio de los datos con respecto a su media es de 2.5305 gramos.

¿Por qué sacar el valor absoluto de las diferencias entre cada dato y la media
aritmética? Si solo se hicieran diferencias entre cada dato y la media aritmética,
estas tendrían signos positivos y negativos ya que algunos datos son menores que la
media y otros son mayores que la media, luego al sumar las diferencias, con sus
signos correspondientes, éstas se irían anulando unas con otras y no sería posible
medir leal grado de alejamiento promedio de los datos en la muestra.

Varianza o variancia (s2). Es el promedio de las diferencias elevadas al cuadrado

_

entre cada valor que se tiene en la muestra (xi) y la media aritmética ( x ) de los
datos y se determina de la siguiente manera:

n
 _
2
  xi − x 
S2 =
i =1 
n −1

Donde n es el número de datos en la muestra.

Ejemplo:
Los siguientes datos es la cantidad de glucosa en miligramos encontrada en
muestras de sangre de algunos pacientes, 14.2, 12.1, 15.6, 18.1, 14.3, determine su
varianza.

Solución:
Lo primero que hay que calcular es la media aritmética de la muestra como ya se
ha hecho anteriormente.

− 14.2 + 12.1 + 15.6 + 18.1 + 14.3 74.3

x= = = 14.86mg
5 5

2 2 2
( 14.2 − 14.86 ) + ( 12.1 − 14.86 ) + .... + ( 14.3 − 14.86 )
s =
2
=
5 −1

0.4356 + 7.6176 + 0.5476 + 10.4976 + 0.3136 19.412 2

s2 = = = 4.853mg
4 4
Nota:
Dentro de la inferencia estadística se plantea la deferencia entre una variancia muestral s 2 y una poblacional,
representada por 2.

Desviación estándar (s). Es la desviación o diferencia promedio que existe entre cada dato de la muestra y la media
aritmética de la muestra. Y se obtiene a partir de la varianza, sacándole raíz cuadrada.

2
s= s
donde:
s2= varianza o variancia

Por tanto la desviación estándar de la muestra anterior sería;

2
s= 4.853mg = 2.2029mg
La interpretación de este resultado sería, que la cantidad de glucosa encontrada en la muestra es en promedio de
14.86 miligramos y que la cantidad de glucosa en la muestra se aleja o dispersa en promedio 2.2029 mg alrededor
de la media.

En este caso solo nos interesa conocer el significado de la desviación estándar, aunque es necesario decir que s es la
desviación de la muestra y que  es la desviación de la población, así como s2 es la varianza de la muestra y 2 es la
varianza de la población.
 MEDIDA DE ASIMETRÍA

Diremos que una distribución es simétrica cuando su mediana, su moda y su media

aritmética coinciden.

Diremos que una distribución es asimétrica a la derecha si las frecuencias (absolutas

o relativas) descienden más lentamente por la derecha que por la izquierda.

Si las frecuencias descienden más lentamente por la izquierda que por la derecha
diremos que la distribución es asimétrica a la izquierda.

Existen varias medidas de la asimetría de una distribución de frecuencias. Una de

ellas es el Coeficiente de Asimetría de Pearson:

Su valor es cero cuando la distribución es simétrica, positivo cuando existe asimetría

a la derecha y negativo cuando existe asimetría a la izquierda.

MEDIDA DE APUNTAMIENTO O CURTOSIS

Miden la mayor o menor cantidad de datos que se agrupan en torno a la moda. Se

definen 3 tipos de distribuciones según su grado de curtosis:

Distribución mesocúrtica: presenta un grado de concentración medio alrededor

de los valores centrales de la variable (el mismo que presenta una distribución
normal). Distribución leptocúrtica: presenta un elevado grado de concentración
alrededor de los valores centrales de la variable. Distribución platicúrtica:
presenta un reducido grado de concentración alrededor de los valores centrales de
la variable.

EJEMPLO 1

El número de días necesarios por 10 equipos de trabajadores para terminar 10 instalaciones de iguales
características han sido: 21, 32, 15, 59, 60, 61, 64, 60, 71, y 80 días. Calcular la media, mediana, moda, varianza
y desviación típica.

SOLUCIÓN:

La media: suma de todos los valores de una variable dividida entre el número total de datos de los que se
dispone:

La mediana: es el valor que deja a la mitad de los datos por encima de dicho valor y a la otra mitad por debajo.
Si ordenamos los datos de mayor a menor observamos la secuencia:

15, 21, 32, 59, 60, 60,61, 64, 71, 80.

Como quiera que en este ejemplo el número de observaciones es par (10 individuos), los dos valores que se
encuentran en el medio son 60 y 60. Si realizamos el cálculo de la media de estos dos valores nos dará a su vez
60, que es el valor de la mediana.

La moda: el valor de la variable que presenta una mayor frecuencia es 60

La varianza S2: Es la media de los cuadrados de las diferencias entre cada valor de la variable y la media
aritmética de la distribución.
 Sx2=

La desviación típica S: es la raíz cuadrada de la varianza.

S = √ 427,61 = 20.67

El rango: diferencia entre el valor de las observaciones mayor y el menor

80 - 15 = 65 días

El coeficiente de variación: cociente entre la desviación típica y el valor absoluto de la media

aritmética

CV = 20,67/52,3 = 0,39

Coeficiente de variación.

Coeficiente de variación

El coeficiente de dispersión es útil para comparar dispersiones a escalas distintas pues es

una medida invariante ante cambios de escala. Por otro lado presenta problemas ya que a
diferencia de la desviación típica este coeficiente es variable ante cambios de origen. Por ello
es importante que todos los valores sean positivos y su media de por tanto un valor positivo.

Exigimos que:

Se calcula:

Donde S es la desviación típica. Se puede dar en tanto por ciento calculando:

Coeficiente de variación

Hemos visto que las medidas de centralización y dispersión nos dan información sobre una
muestra. Nos podemos preguntar si tiene sentido usar estas magnitudes para comparar dos
poblaciones. Por ejemplo, si nos piden comparar la dispersión de los pesos de las poblaciones
de elefantes de dos circos diferentes, nos dará información útil.

¿Pero qué ocurre si lo que comparamos es la altura de unos elefantes con respecto a su peso?
Tanto la media como la desviación típica, y , se expresan en las mismas unidades que la
variable. Por ejemplo, en la variable altura podemos usar como unidad de longitud el metro
y en la variable peso, el kilogramo. Comparar una desviación (con respecto a la media)
medida en metros con otra en kilogramos no tiene ningún sentido.

El problema no deriva sólo de que una de las medidas sea de longitud y la otra sea de masa.
El mismo problema se plantea si medimos cierta cantidad, por ejemplo la masa, de dos
poblaciones, pero con distintas unidades. Este es el caso en que comparamos el peso en
toneladas de una población de 100 elefantes con el correspondiente en miligramos de una
población de 50 hormigas.

El problema no se resuelve tomando las mismas escalas para ambas poblaciones. Por
ejemplo, se nos puede ocurrir medir a las hormigas con las mismas unidades que los elefantes
(toneladas). Si la ingeniería genética no nos sorprende con alguna barbaridad, lo lógico es
que la dispersión de la variable peso de las hormigas sea prácticamente nula (¡Aunque haya
algunas que sean 1.000 veces mayores que otras!)

En los dos primeros casos mencionados anteriormente, el problema viene de la

dimensionalidad de las variables, y en el tercero de la diferencia enorme entre las medias de
ambas poblaciones. El coeficiente de variación es lo que nos permite evitar estos problemas,
pues elimina la dimensionalidad de las variables y tiene en cuenta la proporción existente
entre medias y desviación típica. Se define del siguiente modo:

Basta dar una rápida mirada a la definición del coeficiente de variación, para ver que las
siguientes consideraciones deben ser tenidas en cuenta:

• Sólo se debe calcular para variables con todos los valores positivos. Todo índice de
variabilidad es esencialmente no negativo. Las observaciones pueden ser positivas o
nulas, pero su variabilidad debe ser siempre positiva. De ahí que sólo debemos
trabajar con variables positivas, para la que tenemos con seguridad que .
• No es invariante ante cambios de origen. Es decir, si a los resultados de una medida

le sumamos una cantidad positiva, b>0, para tener Y=X+b, entonces ,

 ya que la desviación típica no es sensible ante cambios de origen, pero si la media.
Lo contario ocurre si restamos (b<0).

• Es invariante a cambios de escala. Si multiplicamos X por una constante a, para

obtener , entonces

Observación
Es importante destacar que los coefientes de variación sirven para comparar las
variabilidades de dos conjuntos de valores (muestras o poblaciones), mientras que si
deseamos comparar a dos individuos de cada uno de esos conjuntos, es necesario usar los
valores tipificados.

Ejemplo
Dada la distribución de edades (medidas en años) en un colectivo de 100 personas, obtener:
1.
La variable tipificada Z.
2.
Valores de la media y varianza de Z.
3.
Coeficiente de variación de Z.
Horas trabajadas Num. empleados
0 -- 4 47
4 -- 10 32
10 -- 20 17
20 -- 40 4
100

Solución:

Para calcular la variable tipificada

partimos de los datos del enunciado. Será necesario calcular en primer lugar la media y
desvición típica de la variable original (X= años).
li-1 -- li xi ni xi ni xi2 ni
0 -- 4 2 47 94 188
4 -- 10 7 32 224 1.568
10 -- 20 15 17 255 3.825
20 -- 40 30 4 120 3.600
n=100 693 9.181

A partir de estos valores podremos calcular los valores tipificados para las marcas de clase
de cada intervalo y construir su distribución de frecuencias:

zi ni zi ni zi2 ni
-0,745 47 -35,015 26,086
0,011 32 0,352 0,004
1,220 17 20,720 25,303
3,486 4 13,944 48,609
n=100 0,021 100,002
A pesar de que no se debe calcular el coeficiente de variación sobre variables que presenten
valores negativos (y Z los presenta), lo calculamos con objeto de ilustrar el porqué:

Es decir, el coeficiente de variación no debe usarse nunca con variables tipificadas.

Las dos siguientes medidas utilizan dos parámetros que ya nos son familiares: el rango y la
desviación; con el primero trabajamos en la construcción de intervalos de clase y con el
segundo en la construcción de la varianza y de la desviación absoluta media.

Por ejemplo consideremos las dos siguientes muestras:

Muestra 1: 0, 45, 50, 55, 100 (la media para este conjunto de datos la media y mediana
es igual a 50)

Muestra 2: 47, 49.5, 50, 51.5, 52 (la media para este conjunto de datos la media y mediana
es igual a 50)

Aunque ambas muestras tiene la misma media y mediana, su dispersión es diferente.

Desviación

El concepto de desviación ya ha sido explotado para la construcción de la varianza y de la

desviación absoluta media. En realidad hemos podido constatar que hablar de una sola
desviación no tiene el mayor interés y que sin embargo la suma de los cuadrados de las
desviaciones o diferencias, o valores absolutos de las diferencias, con respecto a la media nos
ha llevado a la construcción de conceptos, la principal de estas desviaciones es la desviación
estándar.

Coeficiente de variación.

Una de las medidas suficientemente útil es la obtención del coeficiente de variación, el cual
se define como el cociente entre la desviación estándar y la media aritmética, mostrando para
bajos valores una alta concentración de los datos. En el caso en que la media es igual a cero
esta medida no esta definida, por lo que se recurre a cualquiera de las anteriores. Su
expresión es dada por

Sx
C.V =
x

x y Sx
donde son la media y la desviación estándar, respectivamente, para una misma
población.

En ocasiones se suele presentar la información mediante el por ciento, sobre todo al momento
de comparar dos muestras, por lo que el coeficiente suele presentarse como:
 Sx
C.V =  100
x

Su utilidad radica en que podemos determinar que tanta variabilidad existe entre dos muestra
en las que inclusive la información no tienen las mismas unidades o se trata de datos
diferentes. En el siguiente ejemplo se muestra la utilidad del coeficiente de variación

Ejemplo.

Dos profesores que imparten diferentes materias a un mismo grupo deciden investigar como
es el coeficiente de variación de en una y otra materia, para lo cual se obtiene la media y la
desviación estándar respectivamente, por lo que:

Resultados de la materia A: x = 6.3; S A = 1.2

1.2
C.V = = 0.190
6.3

Resultados de la materia B: x = 8; SA = 3

3
C.V = = 0.375
8
por lo que se concluye que aunque las calificaciones en promedio son igual a 8 las
calificaciones son mucho mas dispersas ya que el coeficiente de variación es mayor para la
segunda muestra.

Como podremos analizar más adelante uno de los teoremas fundamentales de la estadística
nos lleva a la siguiente proposición y por consiguiente a los conceptos de cuasivarianza y
cuasidesviación.

Se dice que una población a la que se obtiene la varianza y es multiplicada

por N ( N − 1) mediciones nos conduce a un resultado con menor error. A dicha medición
se le conoce como cuasivarianza.

Cuasivarianza

Se define la cuasivarianza como

N
S N2 −1 = S2
N −1

Cuasidesviación

Se define la cuasidesviación como

N
S N −1 = S
N −1
Es importante comentar que para valores grandes de N, para N>30, no existe gran diferencia.

Datos agrupados

MEDIDAS DE DISPERSIÓN TRATAMIENTO PARA DATOS AGRUPADOS.

Cuando la muestra consta de 30 o más datos, lo aconsejable es agrupar los datos en

clases y a partir de estas determinar las características de la muestra y por
consiguiente las de la población de donde fue tomada.

Antes de pasar a definir cuál es la manera de determinar las características de

interés (media, mediana, moda, etc.) cuando se han agrupado en clases los datos de
la muestra, es necesario que sepamos como se agrupan los datos.

Pasos para agrupar datos.

a. Determinar el rango o recorrido de los datos.

Rango = Valor mayor – Valor menor

b. Establecer el número de clases (k) en que se van a agrupar los datos tomando
como base para esto la siguiente tabla.

Tamaño de muestra o No. De datos Número de clases

Menos de 50 5a7
50 a 99 6 a 10
100 a 250 7 a 12
250 en adelante 10 a 20

El uso de esta tabla es uno de los criterios que se puede tomar en cuenta para
establecer el número de clases en las que se van a agrupar los datos, existen otros
para hacerlo.
 c. Determinar la amplitud de clase para agrupar (C).

Rango
C=
k

d. Formar clases y agrupar datos.

Para formar la primera clase, se pone como límite inferior de la primera clase un
valor un poco menor que el dato menor encontrado en la muestra y posteriormente
se suma a este valor C, obteniendo de esta manera el límite superior de la primera
clase, luego se procede a obtener los límites de la clase siguiente y así sucesivamente.

Ejemplo:
Los siguientes datos se refieren al diámetro en pulgadas de un engrane.

6.75 7.00 7.00 6.75 6.50 6.50 7.15 7.00

6.50 6.50 6.50 6.25 6.25 6.50 6.65 7.00
7.25 6.70 6.00 6.75 6.00 6.75 6.75 7.10
7.00 6.70 6.50 6.75 6.25 6.65 6.75 7.10
7.25 6.75 6.25 6.25 7.00 6.75 7.00 7.15

a) Agrupe datos, considere k=6.

b) Obtenga: Histograma, polígono de frecuencias, ojiva y distribución de

probabilidad.

c) Obtenga: media, mediana, moda y desviación estándar.

Solución:

a) Agrupando datos;

1. R= VM - Vm = 7.25 – 6.00 = 1.25

2. k=6
R 1.25
3. C = = = 0.2083  0.21
k 6
4. Formando clases.

Para formar la primera clase se toma un valor un poco menor que el valor menor
encontrado en la muestra; luego,
LI LS Frecuencia Marca de Límite real Límite real Frecuencia Frecuencia
clase inferior superior relativa Relativa
acumulada
5.97 – 6.18 2 6.075 5.965 6.185 2/40 = 0.05 0.05
6.19 – 6.40 5 6.295 6.185 6.405 5/40=0.125 0.175
6.41 – 6.62 7 6.515 6.405 6.625 0.175 0.350
6.63 – 6.84 13 6.735 6.625 6.845 0.325 0.675
6.85 – 7.06 7 6.955 6.845 7.065 0.175 0.850
7.07 – 7.28 6 7.175 7.065 7.285 0.15 1.000
Total 40 1.000

b) Gráficas:

HISTOGRAMA

16 13
FRECUENCIA

5.965 - 6.185
11
7 7 6 6.185 - 6.405
5
6 6.405 - 6.625
2
6.625 - 6.845
1
6.845 - 7.065
-4 7.065 - 7.285
LIMITES REALES

POLIGONO DE FRECUENCIA

16
14
FRECUENCIA

12
10
8
6
4
2
0
5.635 5.855 6.075 6.295 6.515 6.735 6.955 7.175 7.395 7.615

MARCA DE CLASE
 OJIVA "MENOR QUE" O CRECIENTE

1 1
FRECUENCIA RELATIVA

0. 85
0.8
ACUMULADA

0. 675

0.6

0.4
0. 35

0.2 0. 1 75

0. 05
0 0

5.965 6.185 6.405 6.625 6.845 7.065 7.285

LIMITES REALES

DISTRIBUCION DE PROBABILIDAD

0.4
PROBABILIDAD

0.325
5.965 - 6.185
0.3
6.185 - 6.405
0.175 0.175
0.2 0.15 6.405 - 6.625
0.125

0.1 6.625 - 6.845

0.05
6.845 - 7.065
0 7.065 - 7.285
LIMITES REALES

a) Media ( x ).

− x * f i i
( 6.075 )( 2 ) + ( 6.295 )( 5 ) + ... + ( 7.175 )( 6 ) 12.15 + 31.475 + ... + 43.05
x= i =1
= = =
n 40 40

268.52
= = 6.713 pu lg adas
40

Donde:
k = número de clases
xi = marca de clase i
fi = frecuencia de la clase i
 k

f
i =1
i =
n= número de datos en la muestra

b) Mediana (Xmed).

 n / 2 − Fme − 1  40 / 2 − 14 
Xmed = Li +   A = 6.625 +  ( 0.22 ) = 6.7265
 fme   13 

Donde:
Li = límite real inferior de la clase que contiene a la mediana
Fme-1 = sumatoria de las frecuencias anteriores a la clase en donde se encuentra la
mediana
fme = frecuencia de la clase en donde se encuentra la mediana
A = amplitud real de la clase en donde se encuentra la mediana
A = LRS-LRI
LRS = límite real superior de la clase que contiene a la mediana
LRI = límite real inferior de la clase que contiene a la mediana
N = número de datos en la muestra

f) Moda (Xmod).

 d1   6 
X mod = Li +   A = 6.625 +  6 + 6 ( 0.22 ) = 6.735 pu lg adas
 d1 + d 2   

Donde:
Li = límite real inferior de la clase que contiene a la moda
fmo − fmo − 1 13 − 7 = 6
d1 = =
fmo − fmo + 1 13 − 7 = 6
d2 = =
fmo = frecuencia de la clase que contiene a la moda
fmo-1= frecuencia de la clase anterior a la que contiene a la moda
fmo+1= frecuencia de la clase posterior a la que contiene a la moda
A = amplitud real de la clase que contiene a la moda
A = LRS – LRI
LRS = límite real superior de la clase que contiene a la moda
LRI = límite real inferior de la clase que contiene a la moda

g) Desviación estándar (S).

 k _ 2 k _ 2
 ( xi − x ) fi  ( xi − x ) fi
s= i =1
= i =1
k
n −1
 fi − 1
i =1

( 6.075 − 6.713 )2 ( 2 ) + ( 6.295 − 6.713 )2 ( 5 ) + ... + ( 7.175 − 6.713 )2 ( 6 )

= =
40 − 1
0.814088 + 0.87362 + ... + 1.280664 3.65904
= = = 0.3063 pu lg adas
39 39

Donde:
xi = marca de clase i
_
x = media aritmética
fi = frecuencia de la clase i
k

 fi = n = número total de datos en la muestra

i =1

Medidas de asimetría y curtosis

Las medidas de distribución nos permiten identificar la forma en que se
separan o aglomeran los valores de acuerdo a su representación gráfica.
Estas medidas describen la manera como los datos tienden a reunirse de
acuerdo con la frecuencia con que se hallen dentro de la información. Su
utilidad radica en la posibilidad de identificar las características de la
distribución sin necesidad de generar el gráfico. Sus principales medidas son
la Asimetría y la Curtosis.

1. ASIMETRÍA
Esta medida nos permite identificar si los datos se distribuyen de forma
uniforme alrededor del punto central (Media aritmética). La asimetría presenta
tres estados diferentes, cada uno de los cuales define de forma concisa como
están distribuidos los datos respecto al eje de asimetría. Se dice que la
asimetría es positiva cuando la mayoría de los datos se encuentran por
encima del valor de la media aritmética, la curva es Simétrica cuando se
distribuyen aproximadamente la misma cantidad de valores en ambos lados
de la media y se conoce como asimetría negativa cuando la mayor cantidad
de datos se aglomeran en los valores menores que la media.

El Coeficiente de asimetría, se representa mediante la ecuación matemática,

Donde (g1) representa el coeficiente de asimetría de Fisher, (Xi) cada uno de

los valores, ( ) la media de la muestra y (ni) la frecuencia de cada valor. Los
resultados de esta ecuación se interpretan:

• (g1 = 0): Se acepta que la distribución es Simétrica, es decir, existe

aproximadamente la misma cantidad de valores a los dos lados de la media.
Este valor es difícil de conseguir por lo que se tiende a tomar los valores que
son cercanos ya sean positivos o negativos (± 0.5).
• (g1 > 0): La curva es asimétricamente positiva por lo que los valores se
tienden a reunir más en la parte izquierda que en la derecha de la media.
• (g1 < 0): La curva es asimétricamente negativa por lo que los valores se
tienden a reunir más en la parte derecha de la media.

Desde luego entre mayor sea el número (Positivo o Negativo), mayor será la
distancia que separa la aglomeración de los valores con respecto a la media.

2. CURTOSIS
Esta medida determina el grado de concentración que presentan los valores
en la región central de la distribución. Por medio del Coeficiente de Curtosis,
podemos identificar si existe una gran concentración de valores
(Leptocúrtica), una concentración normal (Mesocúrtica) ó una baja
concentración (Platicúrtica).
Para calcular el coeficiente de Curtosis se utiliza la ecuación:

Donde (g2) representa el coeficiente de Curtosis, (Xi) cada uno de los valores,
( ) la media de la muestra y (ni) la frecuencia de cada valor. Los resultados
de esta fórmula se interpretan:

• (g2 = 0) la distribución es Mesocúrtica: Al igual que en la asimetría es bastante

difícil encontrar un coeficiente de Curtosis de cero (0), por lo que se suelen
aceptar los valores cercanos (± 0.5 aprox.).
• (g2 > 0) la distribución es Leptocúrtica
• (g2 < 0) la distribución es Platicúrtica

Cuando la distribución de los datos cuenta con un coeficiente de asimetría

(g1 = ±0.5) y un coeficiente de Curtosis de (g2 = ±0.5), se le denomina Curva
Normal. Este criterio es de suma importancia ya que para la mayoría de los
procedimientos de la estadística de inferencia se requiere que los datos se
distribuyan normalmente.

La principal ventaja de la distribución normal radica en el supuesto que el

95% de los valores se encuentra dentro de una distancia de dos desviaciones
estándar de la media aritmética; es decir, si tomamos la media y le sumamos
dos veces la desviación y después le restamos a la media dos desviaciones,
el 95% de los casos se encontraría dentro del rango que compongan estos
valores.
Desde luego, los conceptos vistos hasta aquí, son sólo una pequeña
introducción a las principales medidas de Estadística Descriptiva; es de gran
importancia que los lectores profundicen en estos temas ya que la principal
dificultad del paquete SPSS radica en el desconocimiento de los conceptos
estadísticos.

Las definiciones plasmadas en este capítulo han sido extraídas de los libros
Estadística para administradores escrito por Alan Wester de la editorial
McGraw-Hill y el libro Estadística y Muestreo escrito por Ciro Martínez
editorial Ecoe editores (Octava edición). No necesariamente tienes que
guiarte por estos libros ya que en las librerías encontraras una gran variedad
de textos que pueden ser de bastante utilidad en la introducción a esta
ciencia.