Tema 1.2 Analisis de Datos Transversales

Estadística I
Tema 1. Parte II
Análisis de datos transversales
Elaborado por: Prof. Vicente Coll, Prof. Olga Blasco

Fuente: Esteban et.al. (2005). Estadística descriptiva y nociones de probabilidad.
Capítulo 2.
Medidas de posición
 Medidas de tendencia central: Describen la localización central de un

conjunto de observaciones numéricas.
Media aritmética
Mediana
Moda
Otras medidas: Media ponderada, Media geométrica,
Media armónica, Rango medio, Eje medio
 Medidas de tendencia no central.

Cuartiles
Cuantiles Deciles
Centiles/Percentiles
Análisis unidimensional
1
Una medida de centralización es aquel valor que

es capaz de representar todos los datos
Media aritmética (x): es la suma de todos los valores del conjunto de

datos dividido entre el número total de observaciones.
i-ésimo valor
N
x
Valores observados
i
x +x +...+x N
x= i=1
= 1 2
N N Número total de observaciones
Si los valores de la variable se repiten:

Variable toma I Veces que se repite el valor xi
I
x n
distintos valores
i i
i=1 x1n1 +x 2 n 2 +...+x I n I
x= =
N N
Ejemplo: Una empresa dispone de 10 empleados. Durante el mes pasado,

el número de días que cada empleado estuvo enfermo fueron:
3 , 0 , 5 , 6 , 1 , 0 , 11 , 6 , 0 , 4
Determinar el número de días que por término medio estuvo enfermo un
empleado.
¿Cómo definimos la variable objeto de estudio?
N=10
x i
3+0+5+6+1+0+11+6+0+4 36
x= i=1
=   3, 6
N 10 10
¿Cuántos distintos valores toma la variable X?

¿Se repiten valores?
I=7
x n i i
36
x= i=1
=  3, 6 días por empleado
N 10
2
Propiedades:
I
1.  (x i -x)  n i =0
i=1
2. Si xi (i=1,2,..,k) corresponden a las medias de k grupos distintos

de tamaño Ni (i=1,2,..,k), se cumple que la media del conjunto es:
k
3 , 0 , 5 , 6 , 1 , 0 , 11 , 6 , 0 , 4
x N
i=1
i i
x N +x N +...+x k N k
x= k
= 1 1 2 2 Mañana Tarde
N
N1 +N 2 +...+N k xM=2,5 xT=5,25
i
i=1 NM=6 NT=4
(2,5×6)+(5,25×4) 15+21 36
x= = = =3,6
6+4 10 10
3. A la media le afectan (depende) de los cambios de origen y de

unidad (o escala)
Cambio de origen
Cambio de unidad Cambio de origen
y de unidad T=X+2
ti zi yi Z=3X
3xi 3xi+2 ti ni zi n i yi ni
Y=3X+2
xi ni xi+2
0 3 2 0 2 6 0 6
t=
t i  ni
56
= =5,6
1 1 3 3 5 3 3 5 N 10
3 1 5 9 11 5 9 11
z=
 zi  n i = 108 =10,8
4 1 6 12 14 6 12 14 N 10
5 1 7 15 17 7 15 17
y=
 yi  n i = 128 =12,8
6 2 8 18 20 16 36 40
N 10
11 1 13 33 35 13 33 35
N=10 56 108 128
Si conocemos x y obtenemos Y de forma que: Y = a + bX  y= a + bx

t= a + x= 2+ 3,6= 5,6
Sabemos que: x=3,6 días por empleado z= bx = 3·3,6= 10,8
y= a + bx= 2+3·3,6=12,8
3
Ventajas
 Su cálculo es sencillo e intervienen todos los valores de la distribución.

 Resulta fácil de interpretar.
 Es única.
Inconveniente
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
1  2  3  4  5 15 1  2  3  4  10 20
 3  4
5 5 5 5
La media no es la mejor medida para describir o resumir
un conjunto de datos que tiene valores extremos
Media (aritmética): Todos los valores tienen el mismo peso (importancia).
¿Qué sucede si esto no es así?
Podemos asignar diferentes pesos para calcular la media  Media ponderada
peso aplicada al valor xi

N
 wi  xi
i 1
xw  N
 wi suma de todos los pesos
i 1
4
Mediana (Me): valor del recorrido de la variable que deja aproximadamente

el mismo número de observaciones a su izquierda y a su derecha.
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Me=3 Me=3
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Me=3,5 Me=3,5
La Media es la medida de tendencia central que más se usa, pero como

se ve influenciada por valores extremos, en estos casos con frecuencia la
Mediana es la medida preferida
MEDIANA (Me)
Me  x i
x i  x i 1
Me 
2
 N
N   N i  Me  x i
 i 1 2
si 
N  N x  x i 1
 i 2  Me  i
2
Distribución de frecuencias El problema se resuelve obteniendo en primer lugar el llamado
de valores agrupados intervalo mediano, el primero cuya frecuencia absoluta
acumulada Ni alcanza o sobrepasa N/2. Es decir, Ni-1  N / 2  Ni
(S/K) * N  N i-1
¡Ojo! Me  L i 1  .ci
ni
5
INDIV. xi datos
frecuencia frec. VE X = {CV potencia de los coches}
ab. Ac. Ab.
i xi ni Ni
1 x1 35 1 1
2 x2 46 2 3
Calculo de la Mediana
3 x3 48 4 7 cuando la frecuencia no
4 x4 49 1 8 es única
5 x5 52 4 12
6 . 53 2 14
7 . 54 1 15
. . . . .  N
37
38 .
89
90
1
20
170
190
 N i 1  2  N i  Me  x i
39 . 91 1 191
si 
N  N x  x i 1
40 . 92 6 197
 i 2  Me  i
41 x41 93 2 199 2
42 x42 94 1 200 N/2 Mediana 94,5
43 x43 95 14 214
44 . 96 3 217
45 . 97 9 226
46 . 98 2 228 N/2 = 200
47 100 17 245
48 102 1 246
. . . . .
90 215 3 396
91 220 1 397
92 225 2 399
93 x93 230 1 400
400
Cuantiles
Calculo de la mediana si existen intervalos

i l (i-1) li xi ni xi*ni fi Ni Fi
1 35 56 45,5 15 682,5 3,75 15 3,75 N/2 200
2 56 77 66,5 90 5985 22,5 105 26,25 amplitud 21
3 77 98 87,5 121 10587,5 30,25 226 56,5 Me 93,5

4 98 119 108,5 65 7052,5 16,25 291 72,75
5 119 140 129,5 22 2849 5,5 313 78,25
N/2  N i-1
6
7
140
161
161
182
150,5 50
171,5 22
7525 12,5 363 90,75
3773 5,5 385 96,25 Me  L i 1  .ci
8 182 203 192,5 6 1155 1,5 391 97,75 ni
9 203 224 213,5 6 1281 1,5 397 99,25
10 224 245 234,5 3 703,5 0,75 400 100
400 41594 100
S N N
Cuantil _ o _ Valor _ de _ x  L i 1  K
i -1
.ci
ni
6
MODA (Mo):
Distribución de frecuencias
de valores sin agrupar Valor de la variable de mayor frecuencia
Misma amplitud:
Distribución de frecuencias intervalo modal en el intervalo de mayor frecuencia o
de valores agrupados altura
Distinta amplitud:
intervalo modal en el intervalo de mayor altura
CUANTILES:  sN
 Ni1   Ni  Q s  x i
–CUARTILES (k=4), Cs (s=1,2,3,4)  k k
–DECILES (k=10), Ds (s=1,2,3,..,10) si 
N  s  N x  x i1
 Qs  i
–PERCENTILES (k=100), Ps (s=1,2,3,..,100)  i
k k
2
Cuartil (k=4 , s=1, 2, 3)
25% 25% 25% 25%

menor valor
C1 C2 C3 mayor valor
Q1/4= C1  Valor del recorrido de la variable para el cual el 25% de las

observaciones son más pequeñas y el 75% son mayores
¿Cómo interpretamos el valor que toma el P40 (=Q40/100)?
¿Cómo calculamos los diferentes Cuantiles?
El procedimiento es similar al que vimos para la Mediana (Me=C2=D5=P50)
7
Medidas dispersión o variación
Medidas de posición  valores alrededor de los cuales se sitúa un grupo

de observaciones.
Información insuficiente: no tienen en cuenta la situación

relativa de los datos
Ejemplo: Somos el responsable de compras de una empresa. Buscamos

Información sobre 2 proveedores y determinamos que ambos tardan por
término medio 10 días en servir el pedido.
¿Qué proveedor preferimos?
Proveedor A Proveedor B
9 10 11 7 8 9 10 11 12 13 14 15
¿Qué proveedor preferimos?
¿Qué proveedor es más consistente/confiable?
Las medidas de variación, dispersión o variabilidad, miden la proximidad

o alejamiento existente entre los datos.
8
Análisis de datos unidimensional I
Medidas de posición y dispersión
 Medidas de dispersión absoluta.
Rango o recorrido
Recorrido Intercuartílico
Varianza
Desviación típica
 Medidas de dispersión relativa.
Coeficiente de variación de Pearson

Otras medidas Recorrido Intercuartílico relativo
Coeficiente variación mediano
Recorrido relativo
Coeficiente de apertura
Rango
Análisis de datos unidimensional I Recorrido Intercuartílico
Dispersión absoluta Varianza
Desviación típica
La Varianza, a diferencia del Rango y el Recorrido Intercuartílico, consideran

cómo se distribuyen o agrupan las observaciones.
La Varianza (S2): es la media de los cuadrados de las diferencias entre los

valores de la variable y su media.
  x -x 
Evalúa la manera en
 ni
2
i que fluctúan los valores
S2X  i=1
de la variable respecto
N
a la media
¿Por qué se utiliza el cuadrado de las diferencias?
9
Momentos de orden R:
Promedio de las desviaciones de la variable

respecto a un valor arbitrario K elevado a la
potencia R
Momentos Ordinarios (aR) ……K = 0

Momentos Centrales ( mR) …...K = Media
Rango
Desviación típica
Al hacer el cuadrado, las observaciones que se encuentran más lejos

de la media adquieren más peso que las más cercanas  a mayor S2
más dispersos están los datos.
Si en la anterior expresión de la S2 desarrollamos el cuadrado:
x 2
i  ni
S  2
X
i 1
 x2
N
 Utiliza sólo los valores de la variable
 Más sencillo y rápido de calcular
10
Rango
Desviación típica
Ejemplo:
xi ni xini xi-x (xi-x)2 (xi-x)2ni xi2ni
1 2 2 -2 4 8 2 I=5
2 5 10 -1 1 5 20 x i  ni
72
3 10 30 0 0 0 90 x= i=1
= 3
N 24
4 5 20 1 1 5 80
5 2 10 2 4 8 50
N=24 =72 = 26 = 242
I=5 I=5
  x -x   ni x  ni
2 2
i
26  i
242 2 
S 
2
X
i=1
  1, 083 S 2
X
i 1
 x2   3  1, 083
N 24 N 24
Error frecuente: Se omite el cuadrado
Rango
Desviación típica
Propiedades de la varianza:
1. Siempre es mayor (o igual) a cero. Error frecuente: Varianzas negativas
2. Es una medida de dispersión óptima.
3. Si a todos los valores xi de una distribución de frecuencias se les suma

o resta una constante, la varianza no cambia.
4. Si todos los valores xi de una distribución de frecuencias se multiplican

o dividen por una constante, la varianza de la nueva distribución queda
Multiplicada/dividida por esa misma constante al cuadrado.
5. Si sobre una variable se aplica un cambio de origen y de unidad,

Y= a + bX
la varianza de la nueva variable (Y) será: S2Y =b 2  SX2
11
Medidas de dispersión
• RANGO (RECORRIDO)
Re  x max  x min
• VARIANZA I
I
x i  x  n i
2 x 2
i  ni
S 
2
X S  2
x
i 1
 x2
i 1 N N
• DESVIACIÓN TÍPICA
Sx   S2x  0
COEFICIENTE DE VARIACIÓN
• CUASIVARIANZA (DE PEARSON)
N 2 S
S2X*  SX g 0 (X)  X (COMPARAR)
N 1 x
Medidas de forma: simetría
al “doblar”
por el eje de
simetría
COEFICIENTE DE ASIMETRÍA (DE FISHER) g1

I
 x i  x   ni
3
i 1
g1 X   N
S3X
12
Medidas de forma: simetría
Distribución asimétrica negativa
cola más larga a la izquierda de la moda
g1 (X)  0
Distribución simétrica
g1 (X)  0
Distribución asimétrica positiva

cola más larga a la derecha de la moda
g1 (X)  0
Medidas de forma: apuntamiento
COEFIENTE DE CURTOSIS (g2):

I
 ( x i  x)4 .n i
i 1
g 2 X   N 3
S4X
Leptocúrtica
g 2 (X)  0
Mesocúrtica
g2 (X)  0
Platicúrtica
g 2 (X)  0
13
Transformaciones lineales
Tipificación de variables
• Tipificación estándar.
Xx
Z con z  0 y SZ  1
SX
• Tipificación a media “m” y desviación típica “k”.
 X x
Z  k     m con z  m y Sz  k
 X 
S
UTILIDAD:
1.- Las variables pasan a ser adimensionales.
2.- Permiten comparar utilizando como distancia el número
de desviaciones típicas respecto a la media
14
Problema 1/33
Medidas de concentración
MEDIDAS DE CONCENTRACIÓN: CURVA DE

LORENZ E INDICE DE GINI.
Medidas de concentración  mayor o menor grado de

igualdad o equidistribución en el reparto total de los valores de la
variable objeto de estudio.
Representación gráfica  CURVA DE LORENZ.
Medida analítica  INDICE DE GINI.
15
CURVA DE LORENZ
En el eje de abscisas se representa el

porcentaje acumulado de
frecuencias pi (NÚMERO DE
TRABAJADORES, EXPLOTACIONES
AGRARIAS, INDUSTRIAS…) a quienes
le corresponde, como mucho, el
valor xi de la variable.
En el eje de ordenadas el porcentaje
acumulado del volumen total de la
variable (INGRESOS, EXTENSION,
VOLUMEN DE VENTAS,…) qi que
corresponden a pi
INDICE DE GINI
Es una medida cuantitativa de concentración. Es aproximadamente

el cociente entre el área comprendida entre la bisectriz del primer
cuadrante y la curva de Lorenz y el triángulo OPQ.
Puede utilizarse como aproximación la siguiente expresión:

I 1
( p  q ) i i
IG  i 1
I 1
0  IG  1
p
i 1
i
16
RELACIÓN ENTRE LA CURVA DE LORENZ Y EL

ÍNDICE DE GINI
Mínima concentración Máxima concentración
IG  0 0  IG  1 IG  1
qi qi qi
pi pi pi
17
Problema 3/45
masa a repartir masa ac. masa ac. % pob. Ac en %

i l (i-1) li xi ni Ni mi=xi*ni Mi qi=(Mi/M)*100 pi=(Ni/N)*100 pi -qi
1 0 8000 4000 10 10 40000 40000 5,25 20 14,75
2 8000 15000 11500 15 25 172500 212500 27,87 50 22,13
3 15000 25000 20000 20 45 400000 612500 80,33 90 9,67

4 25000 35000 30000 5 50 150000 762500 100,00 100
50 762500
160 46,56
I 1
( p  q ) i i
46.56
a) IG  i 1
I 1
  0.2909
p
160
i
i 1
b)
S. 50  25
20000  15000  K .10000
20
s / k  35 / 50  0.7
Luego lo superará 100-70 = 30 por cien.
18

Tema 1.2 Analisis de Datos Transversales

Cargado por

Información del documento

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

Tema 1.2 Analisis de Datos Transversales

Cargado por

Copyright:

Formatos disponibles

Estadística I

Elaborado por: Prof. Vicente Coll, Prof. Olga Blasco

 Medidas de tendencia central: Describen la localización central de un

 Medidas de tendencia no central.

Una medida de centralización es aquel valor que

Media aritmética (x): es la suma de todos los valores del conjunto de

Si los valores de la variable se repiten:

Ejemplo: Una empresa dispone de 10 empleados. Durante el mes pasado,

¿Cuántos distintos valores toma la variable X?

2. Si xi (i=1,2,..,k) corresponden a las medias de k grupos distintos

3. A la media le afectan (depende) de los cambios de origen y de

N=10 56 108 128

Si conocemos x y obtenemos Y de forma que: Y = a + bX  y= a + bx

 Su cálculo es sencillo e intervienen todos los valores de la distribución.

Media (aritmética): Todos los valores tienen el mismo peso (importancia).

¿Qué sucede si esto no es así?

Podemos asignar diferentes pesos para calcular la media  Media ponderada

peso aplicada al valor xi

Mediana (Me): valor del recorrido de la variable que deja aproximadamente

La Media es la medida de tendencia central que más se usa, pero como

Calculo de la mediana si existen intervalos

2 56 77 66,5 90 5985 22,5 105 26,25 amplitud 21

3 77 98 87,5 121 10587,5 30,25 226 56,5 Me 93,5

Cuartil (k=4 , s=1, 2, 3)

25% 25% 25% 25%

Q1/4= C1  Valor del recorrido de la variable para el cual el 25% de las

¿Cómo interpretamos el valor que toma el P40 (=Q40/100)?

¿Cómo calculamos los diferentes Cuantiles?

El procedimiento es similar al que vimos para la Mediana (Me=C2=D5=P50)

Medidas de posición  valores alrededor de los cuales se sitúa un grupo

Información insuficiente: no tienen en cuenta la situación

Ejemplo: Somos el responsable de compras de una empresa. Buscamos

¿Qué proveedor preferimos?

Medidas dispersión o variación

¿Qué proveedor preferimos?

¿Qué proveedor es más consistente/confiable?

Las medidas de variación, dispersión o variabilidad, miden la proximidad

 Medidas de dispersión absoluta.

 Medidas de dispersión relativa.

Coeficiente de variación de Pearson

La Varianza, a diferencia del Rango y el Recorrido Intercuartílico, consideran

La Varianza (S2): es la media de los cuadrados de las diferencias entre los

¿Por qué se utiliza el cuadrado de las diferencias?

Promedio de las desviaciones de la variable

Momentos Ordinarios (aR) ……K = 0

Al hacer el cuadrado, las observaciones que se encuentran más lejos

Si en la anterior expresión de la S2 desarrollamos el cuadrado:

 Más sencillo y rápido de calcular

N=24 =72 = 26 = 242

Error frecuente: Se omite el cuadrado

1. Siempre es mayor (o igual) a cero. Error frecuente: Varianzas negativas

2. Es una medida de dispersión óptima.

3. Si a todos los valores xi de una distribución de frecuencias se les suma

4. Si todos los valores xi de una distribución de frecuencias se multiplican

5. Si sobre una variable se aplica un cambio de origen y de unidad,

la varianza de la nueva variable (Y) será: S2Y =b 2  SX2

Medidas de forma: simetría

COEFICIENTE DE ASIMETRÍA (DE FISHER) g1

Distribución asimétrica positiva

Medidas de forma: apuntamiento

COEFIENTE DE CURTOSIS (g2):

MEDIDAS DE CONCENTRACIÓN: CURVA DE

Medidas de concentración  mayor o menor grado de