Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Universidad de Piura
Medidas de tendencia central
Universidad de Piura
Media Aritmética Simple
La media o promedio aritmético simple se define como el cociente entre
la suma de los datos u observaciones y el número de datos que
intervienen en dicha suma.
POBLACION MUESTRA
N n
∑X i
∑ Xi
µX = i =1
N X= i =1
n
Xi : Valor del i-ésimo dato u observación.
N : Tamaño de la población.
n : Tamaño de la muestra.
Universidad de Piura
Propiedades de la Media Aritmética
1. Es un valor representativo, debido a que es el centro de
gravedad o punto de equilibrio de un conjunto de
observaciones.
∑ (X − µ )= 0
N
i X
i =1
∑ (X − X ) = 0
n
i
i =1
Universidad de Piura
Propiedades de la Media Aritmética
3. Si se sustituye el valor de cada observación por el valor del
promedio aritmético, la suma de todas las observaciones no
cambia.
4. La suma de los cuadrados de las desviaciones de las
observaciones con respecto a la media aritmética es un valor
mínimo.
∑ (X − µ ) es un valor mínimo
N 2
i X
i =1
∑ (X − X )
n 2
i =1
i
es un valor mínimo
Universidad de Piura
Propiedades de la Media Aritmética
5. Si un conjunto de datos se divide en “K” subconjuntos, la media
aritmética del conjunto es igual a la media ponderada de las
medias de los “K” subconjuntos, considerándose como
ponderaciones pesos a las cantidades de datos de los “K”
subconjuntos.
N1 , µ 1
N1µ1 + N 2µ 2 + N 3µ3
N2 , µ 2 µ=
N, µ N1 + N 2 + N 3
N3 , µ 3
N=N1+N2+N3
Universidad de Piura
Propiedades de la Media Aritmética
6. Si a cada observación de un conjunto inicial de datos se le
suma una constante, la media aritmética del nuevo conjunto de
datos será igual a la media aritmética del conjunto inicial más
la constante.
Población inicial Población nueva
X1 , Y1 = X1 +K,
...
X2 , Yi=Xi+K
...
Y2 = X2 +K,
XN Y = X +K
N N
N N
µ Y = ∑ (Xi + k ) = µ X + K
1 1
µ X = ∑ Xi N i =1
N i=1
Universidad de Piura
Propiedades de la Media Aritmética
7. Si a cada observación de un conjunto inicial de datos se le
multiplica una constante, la media aritmética del nuevo
conjunto de datos será igual a la media aritmética del conjunto
inicial por la constante.
Población inicial Población nueva
X1 ,
...
X2 ,
Yi= K Xi
Y1 = K X1,
...
Y2 = K X2,
XN
Y =K X
N N
N
1
µ X = ∑ Xi µY = K µX
N i=1
Universidad de Piura
Propiedades de la Media Aritmética
8. El promedio aritmético de la suma o diferencia de dos o más
variables es igual a la suma o diferencia de las medias
aritméticas de dichas variables.
Población inicial
Población nueva
X1 ,
...
Y1 = X1 + W1 - Z1 ,
...
X2 , Yi= Xi + Wi -Zi
Y2 = X2 + W2 - Z2,
XN
Y =X +W -Z
N N N N
1 N 1 N
µ Y = ∑ Yi = ∑ (X i + Wi − Z i ) = µ X + µ W − µ Z
N i =1 N i =1
Universidad de Piura
Propiedades de la Media Aritmética
9. Si Yi = a + bXi ; entonces, µY = a + b µX
X1 , Y1 = a + b X1,
...
X2 , Yi= a + b Xi
...
Y2 = a + b X2,
XN Y =a+bX
N N
N
1
µ X = ∑ Xi µY = a + b µX
N i=1
Universidad de Piura
Desventaja de la Media Aritmética
Universidad de Piura
Ejemplo: Cálculo de promedio para datos no
organizados en cuadros de frecuencias
Ingreso familiar mensual en el distrito de San Juan de
Lurigancho (miles de nuevos soles)
Familia
1 2 3 4 5 6 7
Encuestada
Ingreso
0.9 1.1 1.5 0.4 1.9 0.8 2.5
mensual
7
∑ Xi
X= i =1
7
0.9 + 1.1 + 1.5 + 0.4 + 1.9 + 0.8 + 2.5 9.1
= = = 1.3
7 7
Universidad de Piura
Ejemplo: Cálculo de promedio para datos discretos
organizados en cuadros de frecuencias
Distribución de microcomputadoras
en pequeñas empresas
Número de Número de 5
PCs empresas ∑ Xifi
X= i =1
3 6 36
4 13 (3)(6) + (4)(13) + + (8)(5)
5 4 =
6 8 36
8 5
178
= = 4.94
TOTAL 36 36
Universidad de Piura
Ejemplo: Cálculo del promedio para datos continuos
organizados en cuadros de frecuencias
Número de % de
Montos Negociados Mi fri Fi Fri Pi
lotes lotes
6
∑ Mifi (36)(10) + ... + (96)(1)
X≅ i =1
≅ ≅ 53.3333
36 36
Universidad de Piura
Media Aritmética Ponderada
Este indicador se utiliza para promediar observaciones Xi que
tienen diferente importancia relativa
POBLACIÓN MUESTRA
⇓ ⇓
N N
∑ Wi X i ∑ Wi X i
µp = i =1
N X p = i =1N
∑ Wi ∑ Wi
i =1 i =1
Xi : Observación i-ésima
Wi : Ponderación o importancia relativa de la observación i-ésima
Universidad de Piura
Ejemplo: Media Aritmética Ponderada
A (1) 30 300
B (2) 28 500
C (3) 26 1000
D (4) 29 200
E (5) 32 100
Universidad de Piura
Ejemplo: Media Aritmética Ponderada
∑WX i i
µp = i =1
5
∑W
i =1
i
POBLACIÓN ⇒ Me
MUESTRA ⇒ me
Universidad de Piura
Mediana
Dato central
Mediana
Universidad de Piura
Características de la mediana
1. Divide a un conjunto de datos en dos partes iguales en
cantidad de observaciones; 50% de ellas son mayores que la
mediana y el otro 50% son menores que la mediana.
2. La mediana está influenciada por el número de observaciones
y no por los valores de las observaciones.
3. No le afectan los valores extremos.
N N N
Mediana
n: número de datos
Universidad de Piura
Ejemplo: Cálculo de mediana para datos continuos
organizados en cuadros de frecuencias
Número de % de
Montos Negociados Mi fri Fi Fri Pi
lotes lotes
n
− F(me−1) 18 − 10
Me ≅ LIme + 2
fme
TIC ≅ 42 + [12] ⇒ 50
12
Universidad de Piura
Moda
POBLACIÓN ⇒ Mo
MUESTRA ⇒ mo
Universidad de Piura
Características de la moda
1. Un conjunto de datos puede no tener moda o tener una o más
modas.
Universidad de Piura
Determinación de la moda
Datos: 55, 62,...., 55, 12, 62, 13, 62, 65,93,....., 66
Moda
Universidad de Piura
Cálculo de moda para datos continuos organizados
en cuadros de frecuencias
d1
Mo ≅ LImo + (TIC)
d1 + d2
d1 = fmo - f(mo-1)
d2 = fmo - f(mo+1)
TIC : tamaño de intervalo de clase
Universidad de Piura
Ejemplo: Cálculo de la moda para datos continuos
organizados en cuadros de frecuencias.
Número de % de
Montos Negociados Mi fri Fi Fri Pi
lotes lotes
d1
Mo ≅ LImo + (TIC)
d1 + d2
≅ 42 +
12 - 10
[12] = 45
(12 - 10) + (12 - 6)
Universidad de Piura
Cuantiles
A cada uno de los valores o puntos que permiten dividir
una distribución en varias partes iguales lo llamamos
cuantil (o cuantilo). Según la distribución queda dividida en:
• Dos partes, el punto se llama mediana.
• Tres partes, los 2 puntos se llaman tercil (1, 2).
• Cuatro partes, los 3 puntos se llaman cuartil (1, 2, 3).
• Cinco partes, los 4 puntos se llaman quintil (1, 2, 3, 4).
• Seis partes, los 5 puntos se llaman sextil (1, 2, 3, 4, 5).
• Diez partes, los 9 puntos se llaman decil (1, 2, 3, …, 9).
• Veinte partes, los 19 puntos se llaman vigintil (1, 2, 3, …, 19).
• Cien partes, los 99 puntos se llaman centil (1, 2, 3, …, 99).
Universidad de Piura
Percentiles
Pp =62
Universidad de Piura
Percentiles
Percentil P0.7
P0.7 =62
Universidad de Piura
Cálculo de un percentil
n p−F(p−1)
Pp ≅ LIp + TIC
fp
n: Número de datos
p : intervalo que contiene a percentil “p”
p: 0.01, 0.02, 0.03, 0.04, 0.05,...,0.1,...,0.2, ..., 0.3, ..., 0.4, ...,0.5, ..., 0.99
F(p-1): Frecuencia acumulada absoluta del intervalo anterior al que contiene al percentil “p”
Universidad de Piura
Ejemplo: Cálculo de percentiles
Número de % de
Montos Negociados Mi fri Fi Fri Pi
lotes lotes
n (0.75)−F(p−1)
P0.75 ≅ LIp + TIC
fp
(36)(0.75) - 22
P0.75 ≅ 54 + (12 ) ⇒ 64.0
6
Universidad de Piura
Cálculo de los cuantiles mediante
los percentiles
Son casos particulares de los percentiles.
Cuantil 1 2 3 4 5 … 9 … 19
Mediana P0.50
Tercil P0.33 P0.66
Cuartil P0.25 P0.50 P0.75
Quintil P0.20 P0.40 P0.60 P0.80
Sextil P0.16 P0.33 P0.50 P0.66 P0.83
Decil P0.10 P0.20 P0.30 P0.40 P0.50 … P0.90
Vigintil P0.05 P0.10 P0.15 P0.20 P0.25 … P0.45 … P0.95
Universidad de Piura
Medidas de variabilidad o de
dispersión
Universidad de Piura
Medidas de variabilidad o de
dispersión
ABSOLUTAS
1. Rango, Amplitud o Recorrido
2. Variancia o Varianza.
3. Desviación estándar
RELATIVAS
Coeficiente de Variabilidad.
Universidad de Piura
Rango, Amplitud o Recorrido
Universidad de Piura
Características del rango
1. Tiene la misma unidad de medida que las observaciones.
2. Se utiliza para tener una idea rápida del grado de dispersión
de un conjunto de datos.
3. Es poco confiable.
4. El rango muestral es muy inestable.
5. El valor del rango no varía cuando se suma una constante “K”
a cada observación de un conjunto de datos.
6. El valor del rango si varía cuando se multiplica por constante
“K” a cada observación de un conjunto de datos
Universidad de Piura
Cálculo de rango o amplitud
Rango = r = Xmax – Xmin
r = Xmax – Xmin = 93 – 12 = 81
Universidad de Piura
Variancia o Varianza
La variancia de un conjunto de observaciones se define:
N
∑(
Xi − µ X
2
)
POBLACIÓN ⇒σ 2
=
i =1
N
n
∑ (Xi − X ) 2
MUESTRA ⇒ s =
2 i =1
n -1
Universidad de Piura
Características de la variancia
1. Es confiable.
σY =σX K
2 2 2
SY = SX K
2 2 2
Universidad de Piura
Cálculo de la variancia para datos no organizados
en cuadros de frecuencias.
POBLACIÓN
N N
∑ (Xi − µ ) 2
∑ i
X 2
− Nµ 2
1 N
1 N
2
σ = 2 i =1
= i =1
= ∑ X i − ∑ X i
2
N N N i=1 N i=1
MUESTRA
n n
∑ (Xi − X ) 2
∑ 2
Xi − nX 2
1 n
n
2
S =
2 i =1
= i =1
= ∑ Xi − n ∑ Xi
2 1
n -1 n -1 n - 1 i=1
i =1
Universidad de Piura
Cálculo de la variancia para datos no organizados
en cuadros de frecuencias.
Las edades de los alumnos inscritos en un curso de
idiomas son: 14, 21, 16, 17, 25, 32, 18
1 N
1 N
2
σ = ∑ X i − ∑ X i
2 2
N i=1 N i=1
N
∑X
i =1
i = 14 + 21 + 16 + 17 + 25 + 32 + 18 = 143
∑X
i =1
i
2
= 14 2 + 212 + 16 2 + 17 2 + 252 + 32 2 + 182 = 3155
1 2
σ = 3155 − (143) = 33.387755
2 1 2
(años)
7 7
Universidad de Piura
Cálculo de la variancia para datos continuos
organizados en cuadros de frecuencias.
POBLACIÓN
K
∑ 2
fi Mi − Nµ 2
1 K
1 K
2
σ2 ≅ i =1
= ∑ fi M i2 − ∑ fi M i
N N i=1 N i=1
MUESTRA
K
∑ 2
fi Mi − nX 2
1 K
1 K
2
S2 ≅ i =1
== ∑ fi M i2 − ∑ fi M i
n -1 n - 1 i=1 n i=1
Universidad de Piura
Ejemplo: Cálculo de la variancia para datos
continuos organizados en cuadros de frecuencias
Montos Negociados Número de % de
Dec. de miles de soles Mi fri
lotes lotes
i =1
k
∑ i i
M '2
f = (36 ) 2
(12 ) + ( 48) 2
(12 ) + + (96 ) 2
(1) = 111456
i =1
6
∑ M i2fi − 36µ 2 111456 - (36)(1920 / 36) 2
σ ≅
2 i =1
= = 251.555556
36 36
Universidad de Piura
Variancia ponderada poblacional
Subpoblaciones
¿La variabilidad interna de los grupos es
semejante?
Grupo 1: µ1 , σ1 , N1
2
SI
Grupo 2: µ 2 , σ 2 , N2
2
Grupo 3: µ 3 , σ3 , N3
2
Variancia ponderada
N σ 2
+ N σ 2
+ N σ 2 ∑ i i
N σ 2
σ 2p = 1 1 2 2 3 3
= i =1
N1 + N 2 + N 3 N
Universidad de Piura
Variancia ponderada muestral
Submuestra
¿La variabilidad interna de los grupos es
semejante?
Grupo 1: X1 , S12 , n1
2 SI
Grupo 2: X 2 , S2 , n2
2
Grupo 3: X 3 , S3 , n3 Variancia ponderada
(n − 1)S 2
+ (n − 1)S 2
+ (n − 1)S 2 ∑ i i
(n - 1)S 2
S2p = 1 1 2 2 2 3
= i =1
n1 + n 2 + n 3 − 3 n -3
Universidad de Piura
Desviación Estándar
Es la raíz cuadrada positiva de la variancias
∑ (X i − µ )
N
⇒
2
POBLACIÓN σ= i =1
MUESTRA ⇒
Universidad de Piura
Características de la desviación
estándar
1. Confiable.
σY =σX K SY = SX K
Universidad de Piura
Ejemplo: Cálculo de la variancia y desv. Estándar para
datos continuos organizados en cuadros de frecuencias
Montos Negociados Número de % de
Dec. de miles de soles Mi fri
lotes lotes
k k
∑ if i = 1920
M '
∑ i f i = 111456
M '2
i =1 i =1
6
∑ ii
M 2
f − 36µ 2
111456 - (36)(1920 / 36) 2
σ ≅ 2 i =1
= = 251.555556
36 36
σ ≅ σ 2 = 251.555556 = 15.860503 decenas de miles de soles
Universidad de Piura
Teorema de Chebyshev
El matemático ruso Pafnuti Chebyshev.
Determina la proporción mínima de los valores que se
encuentran en un número específico de desviaciones
estándares (k) respecto a la media.
Cuando k > 1 proporciona información útil.
P ( X − µ < kσ ) ≥ 1 − 2
1
k
Universidad de Piura
Ejemplo: Aplicación del Teorema de Chebyshev
Una arrendadora de automóviles alquila un promedio de 5000
unidades al mes, con una desviación estándar de 400
automóviles. ¿Por lo menos en qué porcentaje de los meses
alquilará la compañía entre 4000 y 6000 unidades?
Primero calculamos el valor de k:
4000 − 5000
=k = 2.5
400
Esto nos indica que tanto 4000 como 6000 están a 2.5
desviaciones estándares de la media.
Por Chebyshev tenemos:
1
1− =
0.84
( 2.5)
2
σ σ
POBLACIÓN
⇒ CV =
µ
CV =
µ
100
⇒
S S
MUESTRA cv = cv = 100
X X
Universidad de Piura
Características del coeficiente de
variabilidad
1. No tiene unidad de medida.
Universidad de Piura
Calificación de una distribución de
datos, según el grado de dispersión
Coef de variabilidad
Calificación
(en %)
0 Completamente homogénea
20 ≤ cv < 25 variable
cv ≥ 25 muy variable
Universidad de Piura
Ejemplo: Cálculo del coeficiente de variabilidad
Montos Negociados Número de % de
Dec. de miles de soles Mi fri
lotes lotes
µ≅
1920
= 53.333333 111456 - (36)(1920 / 36) 2
σ ≅
2
= 251.555556
36 36
Universidad de Piura
Medidas de asimetría
Medidas estadísticas que tienen como objetivo evaluar la
presencia de valores extremos dentro de una distribución de
datos.
COEFICIENTE DE ASIMETRÍA DE PEARSON
3(µ − Me)
POBLACIÓN sKp =
σ
3( X - me)
MUESTRA ŝ K p =
S
Universidad de Piura
Características del Coeficiente de
Asimetría de Pearson
1. No tiene unidad de medida.
2. Se aplica a distribuciones unimodales.
3. Su valor debe encontrarse en el intervalo de –3 a 3.
(0) Simétrica
Universidad de Piura
Características del Coeficiente de
Asimetría de Pearson
Distribución simétrica
Skp = 0
µ = Me = Mo
Universidad de Piura
Características del Coeficiente de
Asimetría de Pearson
Distribución asimétrica positiva,
dist. con asimetría a la derecha,
dist. con sesgo a la derecha.
Skp > 0
Mo Me µ
Universidad de Piura
Características del Coeficiente de
Asimetría de Pearson
Distribución asimétrica negativa,
dist. con asimetría a la izquierda,
dist. con sesgo a la izquierda.
Skp < 0
µ Me M
o
Universidad de Piura
Características del coeficiente de
asimetría de Pearson
Valor del Coef Asimetría Calificación
Número de % de
Montos Negociados Mi fri
lotes lotes
2D −D
POBLACIÓN u
9 1
1 Q −Q
MUESTRA K̂ = 3 1
2D −D
u
9 1
Universidad de Piura
Características del Coeficiente de Curtosis
Distribución platicúrtica
ku < 0.25
µ = Me = Mo
Universidad de Piura
Características del Coeficiente de Curtosis
Distribución mesocúrtica
ku = 0.25
µ = Me = Mo
Universidad de Piura
Características del Coeficiente de Curtosis
Distribución leptocúrtica
ku > 0.25
µ = Me = Mo
Universidad de Piura
Coeficiente de Curtosis o cuarto momento central
COEFICIENTE DE CURTOSIS DE FISHER
Datos no agrupados Datos agrupados
∑𝑁𝑁 (𝑋𝑋
𝑖𝑖=1 𝑖𝑖 − 𝜇𝜇) 4 ∑𝑁𝑁
𝑖𝑖=1 𝑓𝑓
𝑖𝑖 (𝑀𝑀𝑀𝑀 𝑖𝑖 − 𝜇𝜇) 4
POBLACIÓN 𝛽𝛽 = 𝛽𝛽 =
𝑁𝑁𝜎𝜎 4 𝑔𝑔� = 𝛽𝛽 − 3 𝑁𝑁𝜎𝜎 4
𝑔𝑔 = 𝛽𝛽 − 3 𝑔𝑔 = 𝛽𝛽 − 3
Datos no agrupados Datos agrupados
∑𝑛𝑛𝑖𝑖=1(𝑥𝑥𝑖𝑖 − 𝑥𝑥)̅ 4 ∑𝑛𝑛𝑖𝑖=1 𝑓𝑓𝑖𝑖 (𝑚𝑚𝑚𝑚𝑖𝑖 − 𝑥𝑥)̅ 4
𝛽𝛽̂ = 𝛽𝛽̂=
MUESTRA 𝑛𝑛𝑠𝑠 4 𝑛𝑛𝑠𝑠 4
𝑔𝑔� = 𝛽𝛽 − 3 𝑔𝑔� = 𝛽𝛽 − 3
𝑛𝑛
𝑛𝑛 𝑛𝑛 + 1 𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ 4 3 𝑛𝑛 − 1 2
𝐄𝐄𝐄𝐄𝐄𝐄𝐄𝐄𝐄𝐄: 𝑔𝑔� = � −
𝑛𝑛 − 1 𝑛𝑛 − 2 𝑛𝑛 − 3 𝑠𝑠 𝑛𝑛 − 2 𝑛𝑛 − 3
𝑖𝑖=1
Si el valor es 𝛽𝛽 = 3 (o 𝑔𝑔 = 0), la distribución es mesocúrtica.
Si su valor es 𝛽𝛽 > 3 (o 𝑔𝑔 > 0), la distribución es leptocúrtica.
Si su valor es 𝛽𝛽 < 3 (o 𝑔𝑔 < 0), la distribución es platicúrtica.
Universidad de Piura
Ejemplo: Cálculo del coeficiente de curtosis percentílico
Número de % de
Montos Negociados Mi fri Fi Fri Pi
lotes lotes
D1 = P0.10 ≅ 34.32 1 Q − Q
K = 3 1
2 D − D
u
D9 = P0.90 ≅ 76.56 9 1
Número de % de
Montos Negociados Mi fri Fi Fri Pi
lotes lotes
∑𝑁𝑁 𝑓𝑓
𝑖𝑖=1 𝑖𝑖 (𝑀𝑀𝑀𝑀 𝑖𝑖 − 𝜇𝜇) 4
𝛽𝛽 =
𝑁𝑁𝜎𝜎 4
𝛽𝛽 = 2.9033
Universidad de Piura
Ciencias Económicas y
Empresariales