1

Universidad 
Autónoma del caribe 

Departamento 
 ciencias básicas

Facultad 
Ingeniería Industrial

Tarea de interpretación de datos

Integrantes:
Paula Mejía Obregón(V2)
Keren Jiménez Palacio (V1)
Natalia Escorcia Franco(V2)
Francisco Ramírez(V2)
Sebastián Ramírez (V2)

Profesor
Cesar Brango

Nombre del curso

Interpretación de datos

Fecha
Febrero 24 – Marzo 3
 2

Índice

Contenido 1.
1.INTRODUCCIÓN........................................................................................................3
1.1 Abstract .................................................................................................................4
2. OBJETIVO..................................................................................................................5
2.1. Objetivos especificos.................................................................................................5
3. MARCO TEORICO...................................................................................................6
4. ANEXOS......................................................................................................................22
5. CONCLUSIÓN...........................................................................................................24
6. REFERENCIAS .........................................................................................................25
 3

Introducción

Hoy en día, la estadística es un principio clave para la toma de decisiones en campos que
van desde la investigación hasta la gestión empresarial. Los datos se generan más rápido y
en mayores cantidades, por eso es tan importante contar con las herramientas para analizar
los datos y sacar las conclusiones correctas. En este contexto, este artículo se centrará en
los diversos conceptos estadísticos necesarios para describir y analizar un conjunto de
datos. Los temas incluyen coeficientes de simetría y asimetría, que describen la forma de
una distribución de datos, y el coeficiente de Fisher, que mide la forma de una distribución
según su curtosis. Además, se explorarán las medidas de centralidad, como la media, la
mediana y la moda, así como las medidas de posición, como los cuartiles, los decimales y
los percentiles, lo que le permite determinar la posición relativa de un valor en relación con
el resto de los datos.

Por otro lado, se considerarán medidas de variabilidad como la varianza, el rango y la

desviación estándar, que permitirán cuantificar la variabilidad de los datos. También se
incluirá el coeficiente de variación, una medida de variación que relaciona la desviación
estándar con la media.

Asimismo, se explorarán medidas alternativas de la centralidad de la media aritmética,

como la media geométrica y la media armónica, que se utilizan en algunos casos especiales.
La regla de Tchebychev sería otra herramienta para explorar, permitiéndole estimar cuántos
datos se encuentran dentro de ciertas desviaciones estándar de la media.

En definitiva, este trabajo pretende ofrecer una visión completa y detallada de varios
conceptos estadísticos fundamentales para el análisis y descripción de conjuntos de datos.
Es fundamental contar con herramientas y métodos para analizar los datos de manera
efectiva y sacar conclusiones precisas.
 4

Abstract

Today, statistics is a key principle for decision-making in fields ranging from research to
business management. Data is generated faster and in greater quantities, which is why it is
so important to have the tools to analyze the data and draw the right conclusions. In this
context, this article will focus on the various statistical concepts needed to describe and
analyze a dataset. Topics include symmetry and asymmetry coefficients, which describe the
shape of a data distribution, and Fisher's coefficient, which measures the shape of a
distribution according to its kurtosis.

In addition, measures of centrality, such as mean, median, and mode, as well as measures of
position, such as quartiles, decimals, and percentiles, will be explored, allowing you to
determine the relative position of a value relative to the rest of the data.

On the other hand, measures of variability such as variance, range and standard deviation
will be considered, which will allow quantifying the variability of the data. The coefficient
of variation, a measure of variation that relates the standard deviation to the mean, will also
be included. Alternative measures of the centrality of the arithmetic mean, such as the
geometric mean and the harmonic mean, which are used in some special cases, will also be
explored. Tchebychev's rule would be another tool to explore, allowing him to estimate
how much data lies within certain standard deviations from the mean.

In short, this work aims to offer a complete and detailed view of several fundamental
statistical concepts for the analysis and description of data sets. It is critical to have tools
and methods to analyze data effectively and draw accurate conclusions.
 5

Objetivos

General

 Proporcionar una comprensión de los conceptos estadísticos fundamentales para el

análisis y descripción de conjuntos de datos, a fin de capacitar a los lectores en la
interpretación correcta de los resultados.

Especifico

 Describir cómo se aplican los conceptos estadísticos en la práctica, utilizando

ejemplos, para que se comprender mejor cómo estos conceptos se utilizan para
analizar datos y tomar decisiones.
 Analizar y explicar las medidas de variabilidad, como la varianza, el rango, la
desviación estándar y el coeficiente de variación, y su importancia en la
cuantificación de la variabilidad de los datos.
 6

Marco teórico o contenido

Investigar:

1. ¿Qué es el coeficiente de simetría y asimetría, coeficiente de Fisher, coeficiente de variación

de Pearson para que se utilizan en estadística?

Coeficiente de simetría

Cuando representamos una distribución podemos analizar su nivel de simetría: una distribución es
simétrica si en relación a un valor central la distribución se distribuye un 50% a la derecha y otro
50% a la izquierda, presentando una forma similar a ambos lados del valor central.

Figura 1. Ilustración de una gráfica de coeficiente de simetría

La función simétrica se caracteriza porque la media, la mediana y la moda es el mismo valor.

Si por el contrario la distribución presenta una forma más escorada hacia la izquierda hablamos de
asimetría positiva; y si es más hacia la derecha, de asimetría negativa.

Figura 2. Gráfica de asimetría positiva y negativa

Se utilizan diversos parámetros para medir el nivel de simetría de una distribución. Los más
utilizados son el coeficiente de asimetría de Pearson y el coeficiente de asimetría de Fisher. [ 1 ]
 7

Coeficiente de asimetría

Al analizar la distribución de los datos es posible que exista una tendencia de estos hacia uno de los
extremos (derecho o izquierdo). Esta tendencia se denomina sesgo y permite mostrar la inclinación
de los datos hacia los extremos (Pierdant y Rodríguez, 2006). Para describir el sesgo o la forma de
la distribución de los datos, se comparan la media aritmética, la mediana y la moda. Si estas
medidas son exactamente iguales, se considera que la distribución de los datos es insesgada o
simétrica (con sesgo cero). En otro caso, cuando la media aritmética es superior a la mediana, la
distribución de los datos estará sesgada a la derecha (o con sesgo positivo) y si la media aritmética
es inferior a la mediana, los datos tendrán sesgo a la izquierda (o con sesgo negativo) (Spiegel,
2013), tal como se muestra en la gráfica 12.

Figura 3. Forma o sesgo de la distribución de los datos

El sesgo mantiene relación directa con la media aritmética, es decir, si la media se afecta por
valores extremos, esto se verá reflejado en el sesgo. Si no hay valores extremos (muy pequeños o
muy grandes) la distribución se comporta de forma simétrica, en tal forma existe una compensación
entre los valores grandes y los pequeños (Martínez, 2000). .[ 1 ]

Coeficiente de Fisher

El coeficiente de Fisher está basado en las desviaciones que presentan los datos con respecto a la
media. Es el coeficiente más usado para determinar la asimetría de un conjunto de datos, debido a
que no es afectado por valores extremos y sólo vincula la media aritmética y la desviación (Suárez y
Tapia, 2012). La fórmula para su cálculo es la siguiente: ; para datos sin agrupar. ; para datos
agrupados en frecuencias. Es importante resaltar que para determinar el sesgo se sugiere utilizar el
coeficiente de asimetría de Fisher, el cual es más confiable para analizar la similitud de la
distribución de los datos con la Distribución Normal; además el valor obtenido es muy similar con
el estimado por el Excel. Debe tenerse en cuenta que el análisis del sesgo se realiza a partir del
signo que arroja cualquiera de los coeficientes mencionados y, particularmente para el coeficiente
 8

de Fisher, mientras más se aleje de cero, mayor es el sesgo de la distribución de los datos, tanto a la
derecha como a la izquierda. En síntesis:

Sesgo > 0: sesgo positivo o a la derecha.

Sesgo = 0: simetría en la distribución de los datos.

Sesgo < 0: sesgo negativo o a la izquierda.

Por ejemplo, el sesgo para la puntuación de la evaluación de desempeño de siete empleados del
área de mercadeo de una empresa (ver tabla 34), con media aritmética de 3,6 y desviación de 0,66,
calculado mediante el coeficiente de asimetría de Fisher, será:

Figura 4. Sesgo para la puntuación de la evaluación de desempeño de siete empleados del área de mercado de una
empresa

Dado que el valor es positivo, el sesgo es a la derecha o positivo, es decir, la calificación de la

mayoría de los empleados tiende a estar por debajo del promedio de 3,6. .[ 1 ]

Coeficiente de variación de Pearson

Relaciona la diferencia entre media aritmética y la moda con la desviación. Pese a que este
coeficiente es fácil de calcular, no se utiliza con frecuencia en la práctica, ya que la distribución de
los datos debe ser unimodal y moderada o ligeramente asimétrica, condiciones que no se observan
de forma directa en la distribución, por lo que resultan muy exigentes (Suárez y Tapia, 2012). El
Coeficiente de Pearson varía entre -3 y 3 y la fórmula es: [ 1 ]
 9

Figura 5. Coeficiente de Pearson

2. ¿Qué es la media geométrica, media armónica?

La media geométrica

La media geométrica (MG), de un conjunto de   números positivos se define como la   n-
 del producto de los   números. Por tanto, la fórmula para la media geométrica es dada por

Existen dos usos principales de la media geométrica:

1. Para promediar porcentajes, índices y cifras relativas y

2. Para determinar el incremento porcentual promedio en ventas, producción u otras
actividades o series económicas de un periodo a otro.[ 2 ]

Ejemplo

Supóngase que las utilidades obtenidas por una compañía constructora en cuatro proyectos fueron
de 3, 2, 4 y 6%, respectivamente. ¿ Cuál es la media geométrica de las ganancias?.

En este ejemplo   y así la media geométrica es determinada por

Y así la media geométrica de las utilidades es el 3.46%. [ 2 ]

Media armónica

La media armónica se define como el recíproco de la media aritmética de los recíprocos:

 10

Este valor se emplea para promediar variaciones con respecto al tiempo.

Observaciones sobre la media Geométrica y la media Armónica

El empleo de la media geométrica o de la armónica equivale a una transformación de la variable en

log   ó   , respectivamente, y el cálculo de la media aritmética de la nueva variable; por
ejemplo, si la variable abarca un campo de variación muy grande, tal como el porcentaje de
impureza de un producto químico, por lo general alrededor del 0.1%, pero que en ocasiones llega
incluso al 1% o más, puede ser ventajoso el empleo de log   en lugar de   para obtener una
distribución más simétrica y que se aproxime más a una distribución normal. La media aritmética de
log   es el logaritmo de la media geométrica de   , de forma que la media empleada es
equivalente al empleo de la media geométrica como valor medio de  .[ 3 ]

Ejemplo
Supóngase que una familia realiza un viaje en automóvil a un ciudad y cubre los primeros 100 km a
60 km/h, los siguientes 100 km a 70 km/h y los últimos 100 km a 80 km/h. Calcular, en esas
condiciones, la velocidad media realizada.[ 3 ]

3. ¿Qué es la regla de chebychev, en qué consiste y para que se usa?

El teorema de Chebyshev nos dice la probabilidad de que una variable aleatoria con varianza finita,
se sitúe a una cierta distancia de su esperanza matemática o de su media.  Dado  que  el  Z  es igual
o mayor que 1
X = valor estimado
Z = nº de desviaciones típica
σ = desviación típica
Ejemplo:
1) Z=2 
2) Z=4
1) Cuando Z=2, sustituyendo el valor de Z
 Esto quiere decir que para cualquier distribución, lo probable de este intervalo es al menos del 75%
2) cuando Z=3
Esto quiere decir que para cualquier distribución, lo probable de este intervalo es al menos del
89%Como los dos ejemplos anteriores, podemos observar que cuando el valor Z sea mayor, mayor
sea la probabilidad de que la variable aleatoria se encuentra dentro del intervalo También es
 11

interesante saber las otras dos reglas (distribución de Poisson y distribución exponencial)
Distribución de Poisson (probabilidad discreta)
La distribución de Poisson nos dice la probabilidad de que ocurra un determinado número de
eventos durante cierto período de tiempo. Concretamente, se especializa en la probabilidad de
ocurrencia de sucesos con probabilidades muy pequeñas.
Distribución exponencial (probabilidad continua)
La distribución exponencial es un modelo adecuado para la distribución de probabilidad del tiempo
de espera entre dos hechos que sigan un proceso de Poisson. De hecho la distribución exponencial
puede derivarse de un proceso experimental de Poisson con las mismas características que las que
enunciábamos al estudiar la distribución de Poisson, pero tomando como variable aleatoria, en este
caso, el tiempo que tarda en producirse un hecho. Mientras que la distribución de Poisson describe
las llegadas por unidad de tiempo, la distribución exponencial estudia el tiempo entre cada una de
estas llegadas. Si las llegadas son de Poisson el tiempo entre estas llegadas es exponencial. Mientras
que la distribución de Poisson es discreta la distribución exponencial es continua porque el tiempo
entre llegadas no tiene que ser un número entero. Esta distribución se utiliza mucho para describir el
tiempo entre eventos. Más específicamente la variable aleatoria que representa al tiempo necesario
para servir a la llegada.[ 4 ]

4. Definir con ejemplos Moda, media, mediana. Cuartil, decil, percentil. Varianza, rango,
desviación estándar, coeficiente de variación.
Moda
En la vida cotidiana se escucha la expresión “está de moda” cuando algo se observa o se presenta
repetidamente. En estadística, el concepto de la moda no se aleja de esta apreciación y,
efectivamente, se denomina moda de un conjunto de datos al valor que más se presenta, es decir, el
atributo o el valor de mayor frecuencia. La moda se representa por Mo y puede ser aplicada a las
variables cualitativas y cuantitativas discretas o continuas. Medidas de tendencia central 81 Para
obtener la moda de un conjunto de datos que están sin agrupar, se construyen las frecuencias y se
ubica el valor o la característica que corresponde a la frecuencia mayor. Por ejemplo, los siguientes
son los resultados obtenidos al indagar a varias personas por el color de preferencia: blanco, azul,
rosado, azul, negro, azul, morado, azul, negro y blanco; al construir las frecuencias en la preferencia
de las personas, se tiene (ver tabla 30):

Figura 6. Moda para la variable cualitativa

En la tabla 30 se observa que el color con mayor frecuencia es el azul, por tanto, la moda en el
color de preferencia de las personas es el azul. En el ejemplo anterior se presenta una sola moda,
razón por la cual se denomina a este conjunto de datos como una distribución unimodal. Cuando
 12

existen varias modas, se denomina distribución multimodal y en caso de no existir moda, se

denomina amodal. Veamos, el número de cursos matriculados por varios estudiantes en un
semestre son: 6, 7, 6, 6, 7, 8, 9, 7; en este caso existen dos modas: 6 y 7, dado que cada uno de
estos cursos presentan igual número de frecuencia y, además es la máxima; por tal razón, se
denomina una distribución multimodal (particularmente bimodal). Cuando los datos han sido
agrupados en clases o intervalos, la moda se calcula utilizando la ponderación en el intervalo, con
el siguiente procedimiento (Posada y Buitrago, 2008): .[ 5 ]

Al retomar el ejemplo mencionado anteriormente en la tabla 12, sobre el tiempo que tarda un grupo
de personas en realizar una actividad, se toma la siguiente información para el cálculo de la moda
(ver tabla 31):

Figura 7. Moda para el ejemplo del tiempo (en minutos) requerido por un grupo de personas para realizar una actividad.
 13

Media
Para calcular la media aritmética es necesario realizar la suma del número de valores de los que
queremos conocer su media. Por ejemplo, si queremos repartir caramelos entre los alumnos de una
clase de forma equitativa, en primer lugar calcularemos cuantos caramelos tenemos en total.
Posteriormente, debemos de saber entre cuantos alumnos se van a repartir, para poder calcular la
media aritmética. El número de caramelos lo dividiremos entre el número de alumnos y
obtendremos cuántos caramelos tendremos que darle a cada uno de ellos para que se repartan de
forma igualitaria. La fórmula de la media aritmética es la siguiente: .[ 5 ]

Fórmula media aritmética

Supongamos que nuestras calificaciones en la escuela son:

 14

N = número total de asignaturas = 4

Entonces aplicando la fórmula que acabamos de exponer, el resultado sería:

Mediana
La mediana de un conjunto de números es el número medio en el conjunto (después que los
números han sido arreglados del menor al mayor) -- o, si hay un número par de datos, la mediana es
el promedio de los dos números medios. .[ 5 ]

Ejemplo

Las alturas (en centímetros) de los 10 alumnos de una clase son 178, 163, 155, 159, 171, 155, 172,
170, 159 y 163.

Ordenamos los datos: 155, 155, 159, 159, 163, 163, 170, 171, 172 y 178.

Como hay un número par de datos, la mediana es la media de los datos de la posición 5 y 6:

Observad que hay el mismo número de datos a uno y otro lado de la mediana (4 datos en cada lado).

Además, la media es 164.5cm y hay tres modas: 155, 159 y 163. .[ 5 ]

Cuartiles:

Los cuartiles son los tres valores que dividen al conjunto de datos ordenados en cuatro partes
porcentualmente iguales. Hay tres cuartiles denotados usualmente Q1, Q2, Q3: El primer cuartil Q1,
es el menor valor que es mayor que una cuarta parte de los datos; es decir, aquel valor de la variable
que supera 25% de las observaciones y es superado por el 75% de las observaciones El segundo
cuartil Q2, (coincide, es idéntico o similar a la mediana, Q2 = Md), es el menor valor que es mayor
que la mitad de los datos, es decir el 50% de las observaciones son mayores que la mediana y el
 15

50% son menores. El tercer cuartil Q3, es el menor valor que es mayor que tres cuartas partes de los
datos, es decir aquel valor de la variable que supera al 75% y es superado por el 25% de las
observaciones.

Ejemplo

Calcular el cuartil 1 (Q1) de las siguientes muestras de notas en matemáticas de un aula (notas de 0
a 20): 16, 10, 12, 8, 9, 15, 18, 20, 9, 11, 1, 13, 17, 9, 10, 14

Ordenamos de menor a mayor: 1, 8, 9, 9, 9, 10, 10, 11, 12, 13, 14, 15, 16, 17, 18, 20

N = número de muestras = 16 muestras

x = (N · i) / 4 = (16 · 1) / 4 = 4

Como x = 4 es un número sin decimales, entonces el cuartil 1 es el valor de la muestra que ocupa la
posición 4

Q1 (cuartil 1) = 9

Deciles:

Los deciles son ciertos números que dividen la sucesión de datos ordenados en diez partes
porcentualmente iguales. Son los nueve valores que dividen al conjunto de datos ordenados en diez
partes iguales, son también un caso particular de los percentiles, ya que podemos definir Decil
como“percentil cuyo valor que indica su proporción es un múltiplo de diez. Percentil 10 es el
primer decil, percentil 20 el segundo decil, etc”. El primer decil D1: indica que sólo existe un 10%
de probabilidad de que el valor de la variable esté por debajo de esa cifra. Quinto decil D5 o
denominado también “Caso Base”: indica que existe igualmente un 50% de probabilidad de que el
valor esté por encima como por debajo de esa cifra. Representa la Mediana de la distribución.

Ejemplo:
Dados los siguientes datos ordenados de menor a mayor, halla el primer, el tercer y el octavo decil
de la muestra.

Figura 8. Datos ordenados para la realización de un ejercicio

Los datos de este ejercicio ya están ordenados así que no es necesario cambiarlos de orden, de lo
contrario, primero tendríamos que ordenar los datos de menor a mayor.
 16

Tal y como se explica arriba, la fórmula que nos permite encontrar las posiciones de los deciles es
la siguiente:

El tamaño de la muestra de este ejercicio es de 29 observaciones, por lo tanto, para calcular la

posición del primer decil debemos sustituir la n por 29 y la k por 1:

El resultado de la fórmula es un 3, por lo que el primer decil estará en la tercera posición de la lista
ordenada, y ese valor corresponde a 85.

Ahora volvemos a aplicar el mismo procedimiento pero con el tercer decil. Usamos la fórmula
sustituyendo la k por un 3:

De manera que el tercer decil será el elemento en la novena posición, esto es, el 97.

Por último, hacemos el mismo proceso pero poniendo un 8 en la fórmula para determinar el octavo
decil:

El octavo decil será el número en la posición 24 de la lista ordenada de los datos, por lo que el
octavo decil es el 131.
 17

Percentiles o centiles:

Los percentiles son, tal vez, las medidas más utilizadas para propósitos de ubicación o clasificación
de las personas cuando atienden características tales como peso, estatura, etc. Los percentiles son
ciertos números que dividen la sucesión de datos ordenados en cien partes porcentualmente iguales.
Estos son los 99 valores que dividen en cien partes iguales el conjunto de datos ordenados.
Sencillamente Percentil es el valor del recorrido de una variable, bajo el cual se encuentra una
proporción determinada de la población. Los percentiles (P1, P2,... P99), leídos primer percentil,...,
percentil 99, muestran la variable que deja detrás una frecuencia acumulada igual al valor del
percentil: Primer percentil, que supera al uno por ciento de los valores y es superado por el noventa
y nueve por ciento restante. El 60 percentil, es aquel valor de la variable que supera al 60% de las
observaciones y es superado por el 40% de las observaciones. El percentil 99 supera 99% de los
datos y es superado a su vez por el 1% restante.

Ejemplo

Calcular el percentil 40 (P40) de las siguientes muestras de notas en matemáticas de un aula (notas
de 0 a 20): 16, 10, 12, 8, 15, 18, 20, 9, 11, 1, 13, 17, 9, 10, 14

Ordenamos de menor a mayor: 1, 8, 9, 9, 10, 10, 11, 12, 13, 14, 15, 16, 17, 18, 20

N = número de muestras = 15 muestras

x = (N · i) / 100 = (15 · 40) / 100 = 6

Como x = 6 es un número sin decimales, entonces el percentil 40 es el valor de la muestra que

ocupa la posición 6

P40 (percentil 40) = 10

Rango:

Mide la amplitud de los valores de la muestra y se calcula por diferencia entre el valor más elevado
y el valor más bajo.

ℜ=xmax – xmin

Ejemplo

En {8, 11, 5, 9, 7, 6, 3616}:

 el valor más bajo es 5,

 y el valor más alto es 3616,

Así que el rango es 3616 − 5 = 3611.

 18

El valor único de 3616 hace que el rango sea grande, pero la mayoría de los valores están alrededor
de 10.

Varianza:

Mide la distancia existente entre los valores de la serie y la media. Se calcula como sumatorio de
las diferencias al cuadrado entre cada valor y la media, multiplicadas por el número de veces que se
ha repetido cada valor. El resultado obtenido se divide por el tamaño de la muestra.

La varianza siempre será mayor que cero. Mientras más se aproxima a cero, más

Concentrados están los valores de la serie alrededor de la media. Por el contrario, mientras mayor
sea la varianza, más dispersos están.

Ejemplo

Calcular la varianza de las siguientes puntuaciones de un jugador de baloncesto en los últimos

partidos:

Puntuaciones: 18, 20, 20, 22, 20, 20

Calculamos la media aritmética ():  

Número de valores: 6

Media Aritmética = (18 + 20 + 20 + 22 + 20 + 20) / 6 = 120 / 6 = 20

Calculamos la Varianza:

Varianza σ2 = [(18-20)2 + (20-20)2 + (20-20)2 + (22-20)2 + (20-20)2 + (20-20)2] / 6 = 16 / 6 = 8 /3

= 2,67
 19

Desviación Estándar:

Es la raíz cuadrada de la varianza. Expresa la dispersión de la distribución y se expresa en las

mismas unidades de medida de la variable. La desviación típica es la medida de dispersión más
utilizada en estadística.

Ejemplo

Un profesor enseña a dos grandes grupos de introducción al marketing y selecciona aleatoriamente

una muestra de calificaciones de los exámenes realizados por los dos grupos. Halle la desviación
típica de cada muestra:

 Grupo 1: 50, 60, 70, 80, 90

 Grupo 2: 72, 68, 70, 74, 66

Solución 1:

Grupo 1:

De acuerdo a los datos del problema tenemos:

 Datos = 50, 60, 70, 80, 90

 Σxᵢ = 350
 N = 5
 x̄ = 350/5 = 70

Figura 9. Muestra de calificaciones de los exámenes realizados por el grupo

 20

Grupo 2:

De acuerdo a los datos del problema tenemos:

 Datos = 72, 68, 70, 74, 66

 Σxᵢ = 350
 N = 5
 x̄ = 350/5 = 70

Figura 10. Muestra de calificaciones de los exámenes realizados por el grupo

Coeficiente de variación

Su cálculo se obtiene de dividir la desviación típica entre el valor absoluto de la media del conjunto
y por lo general se expresa en porcentaje para su mejor comprensión.

Figura 11. Coeficiente de variación

 21

 X: variable sobre la que se pretenden calcular la varianza

 Sx: Desviación típica de la variable X.
 | x̄ |: Es la media de la variable X en valor absoluto con x̄ ≠ 0

El coeficiente de variación se puede ver expresado con las letras CV o r, dependiendo del manual o
la fuente utilizada.

Ejemplo

Una población de alumnos tiene una estatura media de 160 cm con una desviación estándar de 16
cm. Estos mismos alumnos, tienen un peso medio de 70 kg con una desviación estándar de 14 kg.
¿Cuál de las 2 variables presenta mayor variabilidad relativa?

Solución: Vamos a comparar la dispersión de 2 variables, la estatura y el peso, usando el

coeficiente de variación.
 22

Anexo
23
 24

Conclusión o análisis

En las estadísticas tenemos conceptos importantes como es la mediana esta es la medida de

posición central más reconocible. Divide la distribución en dos partes iguales. De esta
forma, expresa el valor mediano, que no medio. Es muy útil en variables como los ingresos
o salarios, la moda estamos ante una medida central de los valores más frecuentes. Por
tanto, la moda nos informa sobre aquellos que se repiten en más ocasiones. Con lo anterior
podemos deducir que la media, mediana y moda son las medidas de tendencia central más
importantes, de mayor aplicación y más fáciles de calcular. Sin embargo, en ciertas
circunstancias son útiles otras medidas de tendencia central y aunque su uso no sea
frecuente, es conveniente conocerlas; estas son la media Geométrica (MG) Es una medida
de tendencia central que puede utilizarse para mostrar los cambios porcentuales en una
serie de números positivos. Como tal, tiene una amplia aplicación en los negocios y en la
economía, debido a que con frecuencia se está interesado en establecer el cambio
porcentual en las ventas en el producto interno bruto o en cualquier serie económica. La
media armónica Esta medida se emplea para promediar variaciones con respecto al tiempo
tales como productividades, tiempos, rendimientos, cambios, etc. También tenemos en
cuenta otros conceptos como los métodos de asimetría. Podemos decir que la asimetría es
una expresión de la forma de la distribución, para saber si los valores de la variable se
concentran en una determinada zona del recorrido de la variable con esto se identifica si los
datos se distribuyen de forma uniforme alrededor del punto central. La varianza es un
concepto estadístico que nos permite entender mejor los datos. Además, nos ofrece
múltiples capas a las que podemos aproximarnos. Desde un punto de vista intuitivo, ayuda
a comprender la noción de dispersión. Desde uno más formal, permite múltiples
aplicaciones en el ámbito de la estadística.
 25

Bibliografía

[1] G. J. P. Hernández, ELEMENTOS BÁSICOS DE ESTADISTICA DESCRIPTIVA PARA EL ANÁLISIS DE

DATOS, Medellin: Luis Amigó, 2016.

[2] Douglas C. Montgomery y George C. Runger. Limusa Wiley, 2002. Probabilidad

y estadística aplicadas a la ingeniería,Segunda edición.

[3] Mendenhall, W. Sincich, T. Prentice Hall. Probabilidad y estadística para

ingeniería y ciencia. 1997.

[4] CANEVOS, GEORGE, (1992) Probabilidad y Estadística Aplicaciones yEconomía Edit. Mc-Graw
Hill. México.

[5] «GCFGlobal,» [En línea]. Available: https://edu.gcfglobal.org/es/estadistica-basica/variables-

estadisticas/1/#. [Último acceso: 4 03 2023].