3 Medidas Estadísticas

Medidas estadísticas.
Unidad 1: Organización de Datos y medidas de

resumen
Estadística 1
Mgtr. Randy Fernández
Ciencias Económicas y
Empresariales
Medidas de tendencia central y de
posición
Objetivo: Identificar la ubicación de aquellos valores

alrededor de los cuales tienden a agruparse
las observaciones.
Universidad de Piura
Medidas de tendencia central
• Media Aritmética Simple

• Media Aritmética Ponderada
• Mediana
• Moda
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.
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.
2. La suma de las desviaciones de las observaciones respecto a

la media aritmética es igual a cero.
∑ (X − µ )= 0
N
i X
i =1
∑ (X − X ) = 0
n
i
i =1
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
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
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
multiplica una constante, la media aritmética del nuevo
conjunto de datos será igual a la media aritmética del conjunto
inicial por la constante.
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
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
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
Desventaja de la Media Aritmética
• La media aritmética está afectada por los

llamados valores extremos.
• Solamente se puede aplicar si todos los

datos u observaciones tienen la misma
importancia relativa
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
Ejemplo: Cálculo de promedio para datos discretos
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
Ejemplo: Cálculo del promedio para datos continuos
Número de % de
Montos Negociados Mi fri Fi Fri Pi
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33 22 0.6111 61.11
De 54 a menos de 66 60 6 0.1668 16.68 28 0.7778 77.78
De 66 a menos de 78 72 5 0.1389 13.89 33 0.9167 91.67
De 78 a menos de 90 84 2 0.0555 5.55 35 0.9722 97.22
De 90 hasta 102 96 1 0.0277 2.77 36 1 100.00
6
∑ Mifi (36)(10) + ... + (96)(1)
X≅ i =1
≅ ≅ 53.3333
36 36
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
Ejemplo: Media Aritmética Ponderada
Una empresa importadora coloca en las tiendas minoristas todas las

unidades importadas de cierto producto. El precio de venta por
unidad, depende del volumen de compra de la tienda. Con la
siguiente información, determine el precio promedio por unidad
vendida.
Tienda Precio (en soles) Nº unidades
A (1) 30 300
B (2) 28 500
C (3) 26 1000
D (4) 29 200
E (5) 32 100
Ejemplo: Media Aritmética Ponderada
Tienda Xi Precio (en soles) Wi Nº unidades

A (1) 30 300
B (2) 28 500
C (3) 26 1000
D (4) 29 200
E (5) 32 100
5
∑WX i i
µp = i =1
5
∑W
i =1
i
(300)(30) + (500)(28) + (1000)(26) + (200)(29) + (100)(32)

=
300 + 500 + 1000 + 200 + 100
58000
= = 27.62 Soles
2100
Mediana
Es el valor que ocupa la posición central dentro

de un conjunto de datos, ordenados según su
magnitud.
POBLACIÓN ⇒ Me
MUESTRA ⇒ me
Mediana
Dato central
12, 13, 15, 20,....., 55, 62, 65, 68, 74,......,93
50% de datos 50% de datos
Mediana
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
4. � Xi − M𝑒𝑒 ≤ � Xi − 𝑘𝑘 , para todo 𝑘𝑘 ∈ R ∑X

i =1
i − Me es un valor mínimo
𝑖𝑖=1 𝑖𝑖=1

suma una constante, la mediana del nuevo conjunto de datos
será igual a la mediana del conjunto inicial más la constante.
multiplica una constante, la mediana del nuevo conjunto de
datos será igual a la mediana del conjunto inicial por la
constante.
Cálculo de la mediana para “n” datos no
agrupados
Dato central
12, 13, 15, 20,....., 55, 62, 65, 68, 74,......,93
Mediana
“n” es impar “n” es par

Yn + Y(n+1)
me= Yn+1 me = 2 2
2 2
Cálculo de la mediana para datos continuos
agrupados en cuadros de frecuencias
n
− F(me−1)
Me ≅ LIme + 2 TIC
fme
LIme : Límite Inferior del intervalo que contiene a la mediana
F(me-1) : Frecuencia acumulativa absoluta del intervalo anterior a

aquel que contiene a la mediana
fme: frecuencia absoluta del intervalo que contiene a la mediana
TIC: tamaño del intervalo de clase que contiene a la mediana
n: número de datos
Ejemplo: Cálculo de mediana para datos continuos
Número de % de
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33 22 0.6111 61.11
De 54 a menos de 66 60 6 0.1668 16.68 28 0.7778 77.78
De 66 a menos de 78 72 5 0.1389 13.89 33 0.9167 91.67
De 78 a menos de 90 84 2 0.0555 5.55 35 0.9722 97.22
De 90 hasta 102 96 1 0.0277 2.77 36 1 100.00
n
− F(me−1) 18 − 10 
Me ≅ LIme + 2
fme
TIC ≅ 42 +   [12] ⇒ 50
 12 
Moda
Valor, clase o categoría que ocurre con mayor

frecuencia en un conjunto de datos.
POBLACIÓN ⇒ Mo
MUESTRA ⇒ mo
Características de la moda
1. Un conjunto de datos puede no tener moda o tener una o más
modas.
2. No está afectada por los llamados valores extremos.

3. Se aplica a conjuntos de datos cualitativos o cuantitativos.
4. La moda muestral es inestable.
suma una constante, la moda del nuevo conjunto de datos
será igual a la moda del conjunto inicial más la constante.
multiplica una constante, la moda del nuevo conjunto de datos
será igual a la moda del conjunto inicial por la constante.
Determinación de la moda
Datos: 55, 62,...., 55, 12, 62, 13, 62, 65,93,....., 66
Paso 1: Ordenar los datos
12, 13,...., 55, 62, 62, 62, 62, 65,66,......,93
Paso 2: Determinar con mayor frecuencia
12, 13,...., 55, 62, 62, 62, 62, 65,66,......,93
Moda
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
Ejemplo: Cálculo de la moda para datos continuos
organizados en cuadros de frecuencias.
Número de % de
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33 22 0.6111 61.11
De 54 a menos de 66 60 6 0.1668 16.68 28 0.7778 77.78
De 66 a menos de 78 72 5 0.1389 13.89 33 0.9167 91.67
De 78 a menos de 90 84 2 0.0555 5.55 35 0.9722 97.22
De 90 hasta 102 96 1 0.0277 2.77 36 1 100.00
d1
Mo ≅ LImo + (TIC)
d1 + d2
 
≅ 42 + 
12 - 10
 [12] = 45
 (12 - 10) + (12 - 6) 
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).
Percentiles
Un percentil Pp, es el valor de la variable que tiene

100p% de obsv. hacia su izquierda y 100(1-p)% de obsv.
hacia su derecha.
Percentil Pp
12, 13, 15, 20,....., 55, 62, 65, 68, 74,......,93
100p% de datos 100(1-p)% de datos
Pp =62
Percentiles
Percentil P0.7
12, 13, 15, 20,....., 55, 62, 65, 68, 74,......,93
P0.7 =62
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
LIp: Límite Inferior del intervalo que contiene al percentil “p”
F(p-1): Frecuencia acumulada absoluta del intervalo anterior al que contiene al percentil “p”
fp : Frecuencia absoluta del intervalo que contiene al percentil “p”
TIC: Tamaño del intervalo de clase
Ejemplo: Cálculo de percentiles
Número de % de
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33 22 0.6111 61.11
De 54 a menos de 66 60 6 0.1668 16.68 28 0.7778 77.78
De 66 a menos de 78 72 5 0.1389 13.89 33 0.9167 91.67
De 78 a menos de 90 84 2 0.0555 5.55 35 0.9722 97.22
De 90 hasta 102 96 1 0.0277 2.77 36 1 100.00
n (0.75)−F(p−1)
P0.75 ≅ LIp + TIC
fp
 (36)(0.75) - 22 
P0.75 ≅ 54 +   (12 ) ⇒ 64.0
 6
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
Medidas de variabilidad o de
dispersión
Objetivo:Cuantificar el grado de heterogeneidad que

existe en un conjunto de datos.
Medidas de variabilidad o de
dispersión
ABSOLUTAS
1. Rango, Amplitud o Recorrido
2. Variancia o Varianza.
3. Desviación estándar
RELATIVAS
Coeficiente de Variabilidad.
Rango, Amplitud o Recorrido
Diferencia entre la observación de mayor valor y la observación

de menor valor.
POBLACIÓN ⇒ R (A)=Xmáx- Xmín
MUESTRA ⇒ r (a)=Xmáx- Xmín
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
Cálculo de rango o amplitud
Rango = r = Xmax – Xmin
Datos → 12, 13, 15, 20,....., 55, 65, 68, 74,......,93
Identificar: Xmin Xmax
r = Xmax – Xmin = 93 – 12 = 81
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
Características de la variancia
1. Es confiable.
2. Su valor numérico está expresada en unidades

cuadráticas.
3. No cambia de valor cuando se suma una constante a
cada observación de un conjunto de datos.
4. Cambia de valor si se multiplica por una constante K,
a cada observación de un conjunto de datos. Es
decir, si se define: Y= K X; luego,
σY =σX K
2 2 2
SY = SX K
2 2 2
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
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 
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  

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
De 30 a menos de 42 36 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33
De 54 a menos de 66 60 6 0.1668 16.68
De 66 a menos de 78 72 5 0.1389 13.89
De 78 a menos de 90 84 2 0.0555 5.55
De 90 hasta 102 96 1 0.0277 2.77
k
∑ i f i = (36)(12) + (48)(12) +  + (96)(1) = 1920
M '
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
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
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
Desviación Estándar
Es la raíz cuadrada positiva de la variancias
∑ (X i − µ )
N
⇒
2
POBLACIÓN σ= i =1
MUESTRA ⇒
Características de la desviación
estándar
1. Confiable.
2. Tiene la misma unidad de medida que los datos originales.
3. No cambia de valor cuando se suma una constante a cada

observación de un conjunto de datos.
4. Cuando se multiplica a los datos por una constante K, el valor

de la desviación estándar cambia según la relación siguiente:
σY =σX K SY = SX K
Ejemplo: Cálculo de la variancia y desv. Estándar para
datos continuos organizados en cuadros de frecuencias
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33
De 54 a menos de 66 60 6 0.1668 16.68
De 66 a menos de 78 72 5 0.1389 13.89
De 78 a menos de 90 84 2 0.0555 5.55
De 90 hasta 102 96 1 0.0277 2.77
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
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
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
Cuando menos el 84% de los meses la empresa ha alquilado

entre 4000 y 6000 unidades.
Coeficiente de variabilidad
Medida de variabilidad relativa que indica la cantidad de veces
que la desviación estándar contiene a la media aritmética.
σ σ
POBLACIÓN
⇒ CV =
µ
CV =
µ
100
⇒
S S
MUESTRA cv = cv = 100
X X
Características del coeficiente de
variabilidad
1. No tiene unidad de medida.
2. No aplicable cuando la distribución tiene media

cero.
3. Se afecta su valor cuando se suma una constante
“K” a cada observación de un conjunto de datos.
4. No cambia de valor cuando se multiplica por una

constante “K” a cada una de las observaciones.
Calificación de una distribución de
datos, según el grado de dispersión
Coef de variabilidad
Calificación
(en %)
0 Completamente homogénea
0 < cv < 10 Muy homogénea
10 ≤ cv < 15 Regularmente homogénea
15 ≤ cv < 20 Regularmente variable
20 ≤ cv < 25 variable
cv ≥ 25 muy variable
Ejemplo: Cálculo del coeficiente de variabilidad
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33
De 54 a menos de 66 60 6 0.1668 16.68
De 66 a menos de 78 72 5 0.1389 13.89
De 78 a menos de 90 84 2 0.0555 5.55
De 90 hasta 102 96 1 0.0277 2.77
µ≅
1920
= 53.333333 111456 - (36)(1920 / 36) 2
σ ≅
2
= 251.555556
36 36
𝜎𝜎 ≅ 𝜎𝜎 2 = 251.555556 = 15.860503 decenas de miles de soles

σ 15.860503
CV ≅ x100 = x100 = 29.738%
µ 53.333333
Comparación de la dispersión de
dos o más conjuntos de datos
Los conjuntos de datos tienen

Iguales unidades de medida y
Medias aritméticas iguales o ⇒ Utilizar las Variancias o
Desviaciones Estándares
similares
Los conjuntos de datos tienen

diferentes unidades de medida
y/o Medias aritméticas
⇒ Utilizar los Coeficientes
De Variabilidades
diferentes
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
Características del Coeficiente de
Asimetría de Pearson
2. Se aplica a distribuciones unimodales.
3. Su valor debe encontrarse en el intervalo de –3 a 3.
(+) Asimétrica Positiva o Asimétrica a la derecha
(-) Asimétrica Negativa o Asimétrica a la izquierda
(0) Simétrica
Distribución simétrica
Skp = 0
µ = Me = Mo
Distribución asimétrica positiva,
dist. con asimetría a la derecha,
dist. con sesgo a la derecha.
Skp > 0
Mo Me µ
Distribución asimétrica negativa,
dist. con asimetría a la izquierda,
dist. con sesgo a la izquierda.
Skp < 0
µ Me M
o
Características del coeficiente de
asimetría de Pearson
Valor del Coef Asimetría Calificación
-0.05<SKp≤0.05 Casi simétrica
-0.3≤SKp< -0.05 ó 0.05<SKp≤ 0.3 Ligeramente asimétrica
-0.6≤SKp < -0.3 ó 0.3 < SKp ≤ 0.6 Moderadamente asimétrica
SKp< -0.6 ó SKp>0.6 Muy asimétrica
4. No le afecta las operaciones de suma y producto de

c/observación por una constante “K”.
Coeficiente de Asimetría de
Fisher o tercer momento central
COEFICIENTE DE ASIMETRÍA DE FISHER
Datos no agrupados Datos agrupados
∑𝑁𝑁 (𝑋𝑋
𝑖𝑖=1 𝑖𝑖 − 𝜇𝜇) 3 ∑𝑁𝑁
𝑖𝑖=1 𝑓𝑓𝑖𝑖 (𝑀𝑀𝑀𝑀𝑖𝑖 − 𝜇𝜇)
3
POBLACIÓN γ= γ=
𝑁𝑁𝜎𝜎 3 𝑁𝑁𝜎𝜎 3
∑𝑛𝑛𝑖𝑖=1(𝑥𝑥𝑖𝑖 − 𝑥𝑥)̅ 3 ∑𝑛𝑛𝑖𝑖=1 𝑓𝑓𝑖𝑖 (𝑚𝑚𝑚𝑚𝑖𝑖 − 𝑥𝑥)̅ 3

𝛾𝛾� =
MUESTRA 𝛾𝛾� = 𝑛𝑛𝑠𝑠 3
𝑛𝑛𝑠𝑠 3
𝑛𝑛 𝑛𝑛 𝑥𝑥𝑖𝑖 −𝑥𝑥̅ 3
Excel: 𝛾𝛾� = ∑𝑖𝑖=1
𝑛𝑛−1 𝑛𝑛−2 𝑠𝑠
Si el valor del coeficiente es cero, la distribución es simétrica.

Si su valor es positivo es asimétrica hacia la derecha.
Si su valor es negativo es asimétrica hacia la izquierda.
Ejemplo: Cálculo de medida de asimetría
Número de % de
Montos Negociados Mi fri
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33
De 54 a menos de 66 60 6 0.1668 16.68
De 66 a menos de 78 72 5 0.1389 13.89
De 78 a menos de 90 84 2 0.0555 5.55
De 90 hasta 102 96 1 0.0277 2.77
Coeficiente de asimetría de Pearson Coeficiente de asimetría de Fisher
3( µ − Me) ∑𝑁𝑁 𝑓𝑓 (𝑀𝑀𝑀𝑀 − 𝜇𝜇) 3

SKp = γ=
𝑖𝑖=1 𝑖𝑖 𝑖𝑖
σ 𝑁𝑁𝜎𝜎 3
3(53.3333 − 50) γ = 0.8059
SKp ≅ ⇒ 0.6305
15.8606
Medidas de curtosis
Medidas estadísticas que tienen como objetivo evaluar el grado
de concentración de los datos alrededor de las medidas de
tendencia.
COEFICIENTE DE CURTOSIS PERCENTÍLICO
1 Q −Q 
K =  3
 1
2D −D 
POBLACIÓN u
9 1
1 Q −Q 
MUESTRA K̂ =   3 1
2D −D 
u
9 1
Características del Coeficiente de Curtosis
2. Se aplica a distribuciones unimodales, que sean simétricas o

ligeramente asimétricas.
3. Su valor debe encontrarse en el intervalo 0 á 0.5.

Ku <0.235 PLATICÚRTICA
0.235 ≤ Ku ≤ 0.265 MESOCÚRTICA
Ku > 0.265 LEPTOCÚRTICA
4. No le afecta las operaciones de suma y producto por una

constante “K” aplicada a cada observación.
Distribución platicúrtica
ku < 0.25
µ = Me = Mo
Distribución mesocúrtica
ku = 0.25
µ = Me = Mo
Distribución leptocúrtica
ku > 0.25
µ = Me = Mo
Coeficiente de Curtosis o cuarto momento central
COEFICIENTE DE CURTOSIS DE FISHER
∑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
∑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.
Ejemplo: Cálculo del coeficiente de curtosis percentílico
Número de % de
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33 22 0.6111 61.11
De 54 a menos de 66 60 6 0.1668 16.68 28 0.7778 77.78
De 66 a menos de 78 72 5 0.1389 13.89 33 0.9167 91.67
De 78 a menos de 90 84 2 0.0555 5.55 35 0.9722 97.22
De 90 hasta 102 96 1 0.0277 2.77 36 1 100.00
D1 = P0.10 ≅ 34.32 1 Q − Q 
K =   3 1
2 D − D 
u
D9 = P0.90 ≅ 76.56 9 1
Q1 = P0.25 ≅ 40.80 1  64 − 40.80 

Ku =  
2  76.56 − 34.32 
Q3 = P0.75 ≅ 64 = 0.2746
Ejemplo: Cálculo del coeficiente de curtosis de Fisher
Número de % de
lotes lotes
De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

De 42 a menos de 54 48 12 0.3333 33.33 22 0.6111 61.11
De 54 a menos de 66 60 6 0.1668 16.68 28 0.7778 77.78
De 66 a menos de 78 72 5 0.1389 13.89 33 0.9167 91.67
De 78 a menos de 90 84 2 0.0555 5.55 35 0.9722 97.22
De 90 hasta 102 96 1 0.0277 2.77 36 1 100.00
∑𝑁𝑁 𝑓𝑓
𝑖𝑖=1 𝑖𝑖 (𝑀𝑀𝑀𝑀 𝑖𝑖 − 𝜇𝜇) 4
𝛽𝛽 =
𝑁𝑁𝜎𝜎 4
𝛽𝛽 = 2.9033
Ciencias Económicas y
Empresariales

3 Medidas Estadísticas

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

3 Medidas Estadísticas

Cargado por

Copyright:

Formatos disponibles

Medidas estadísticas.

Unidad 1: Organización de Datos y medidas de

Objetivo: Identificar la ubicación de aquellos valores

• Media Aritmética Simple

2. La suma de las desviaciones de las observaciones respecto a

Población inicial Población nueva

• La media aritmética está afectada por los

• Solamente se puede aplicar si todos los

De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

Una empresa importadora coloca en las tiendas minoristas todas las

Tienda Precio (en soles) Nº unidades

Tienda Xi Precio (en soles) Wi Nº unidades

(300)(30) + (500)(28) + (1000)(26) + (200)(29) + (100)(32)

Es el valor que ocupa la posición central dentro

12, 13, 15, 20,....., 55, 62, 65, 68, 74,......,93

50% de datos 50% de datos

4. � Xi − M𝑒𝑒 ≤ � Xi − 𝑘𝑘 , para todo 𝑘𝑘 ∈ R ∑X

5. Si a cada observación de un conjunto inicial de datos se le

12, 13, 15, 20,....., 55, 62, 65, 68, 74,......,93

50% de datos 50% de datos

“n” es impar “n” es par

LIme : Límite Inferior del intervalo que contiene a la mediana

F(me-1) : Frecuencia acumulativa absoluta del intervalo anterior a

fme: frecuencia absoluta del intervalo que contiene a la mediana

TIC: tamaño del intervalo de clase que contiene a la mediana

De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

Valor, clase o categoría que ocurre con mayor

2. No está afectada por los llamados valores extremos.

Paso 1: Ordenar los datos

12, 13,...., 55, 62, 62, 62, 62, 65,66,......,93

Paso 2: Determinar con mayor frecuencia

12, 13,...., 55, 62, 62, 62, 62, 65,66,......,93

De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

Un percentil Pp, es el valor de la variable que tiene

12, 13, 15, 20,....., 55, 62, 65, 68, 74,......,93

100p% de datos 100(1-p)% de datos

12, 13, 15, 20,....., 55, 62, 65, 68, 74,......,93

70% de datos 30% de datos

LIp: Límite Inferior del intervalo que contiene al percentil “p”

fp : Frecuencia absoluta del intervalo que contiene al percentil “p”

TIC: Tamaño del intervalo de clase

De 30 a menos de 42 36 10 0.2778 27.78 10 0.2778 27.78

Objetivo:Cuantificar el grado de heterogeneidad que

Diferencia entre la observación de mayor valor y la observación

POBLACIÓN ⇒ R (A)=Xmáx- Xmín

MUESTRA ⇒ r (a)=Xmáx- Xmín

Datos → 12, 13, 15, 20,....., 55, 65, 68, 74,......,93

Identificar: Xmin Xmax

2. Su valor numérico está expresada en unidades

De 30 a menos de 42 36 10 0.2778 27.78

2. Tiene la misma unidad de medida que los datos originales.

3. No cambia de valor cuando se suma una constante a cada

4. Cuando se multiplica a los datos por una constante K, el valor

De 30 a menos de 42 36 10 0.2778 27.78

Cuando menos el 84% de los meses la empresa ha alquilado

2. No aplicable cuando la distribución tiene media

4. No cambia de valor cuando se multiplica por una

0 < cv < 10 Muy homogénea

10 ≤ cv < 15 Regularmente homogénea

15 ≤ cv < 20 Regularmente variable

De 30 a menos de 42 36 10 0.2778 27.78

𝜎𝜎 ≅ 𝜎𝜎 2 = 251.555556 = 15.860503 decenas de miles de soles