Está en la página 1de 21

ESTADÍSTICA

DESCRIPTIVA
E INFERENCIAL
UPSLP
PRIMAVERA 2018

1
Definiciones básicas
Población: Conjunto de elementos que se quiere estudiar.
• Habitantes de una ciudad.
• Televisores fabricados en una factoría.
• Alumnos de primero de bachillerato.

Muestra: Cualquier subconjunto de una población. El


número de elementos de una muestra se llama tamaño.

Variable estadística : Cada uno de los rasgos o


características que se quiere estudiar de los elementos de
la población, susceptible o no de medida.
• Color del pelo: negro, castaño, rubio o pelirrojo
• Sexo: hombre o mujer
• Miembros asalariados de una familia: 0, 1 , 2 , 3 ,4 ,
• Alturas de alumnos:178, 169, 172, 183, …
2
Definiciones básicas
Individuo: Cada uno de los elementos que componen una
población y/o muestra .
• Es sinónimo de unidad básica o última del muestreo

Carácter : Propiedad o cualidad que presentan los


elementos de una población que se desea estudiar .
• Cualitativo cuando no puede medirse numéricamente
• Cuantitativo cuando puede medirse numéricamente (Variable)

Estadístico : Es una medida descriptiva de una muestra


• Ingreso promedio de los trabajadores
• Frecuencia de venta de productos

3
Tipos de Estadística
• La Estadística descriptiva o deductiva:
– Trata del recuento, ordenación y clasificación de
los datos obtenidos de las observaciones:
• Construcción de tablas, gráficos y cálculo de parámetros.

• La Estadística inferencial o inductiva:


– Utiliza los resultados de la estadística
descriptiva y se apoya en el cálculo de
probabilidades para la obtención de
conclusiones sobre una población a partir de los
resultados obtenidos de una muestra.
4
Variables cualitativas y cuantitativas
Ordinales • Escalas
• Etapas

Cualitativas
 (Cualidades ,
• Colores
 categorías o • Lugares
 atributos) Nominales
 • Profesiones

Variables   Discretas • Número de hijos
  (Unidades • Páginas de un libro
Cuantitati vas  completas )
 
 (Aquellas 
 medibles  • Edad
numéricamente) Continuas • Peso
(Cualquier • Talla
valor en un • Tiempo
rango)
5
Tipos de Variables Cualitativas
 Dicotómicas: Sólo hay dos categoría, que son excluyentes una
de la otra
Ejemplo: enfermo-sano, muerto-vivo, mujer-hombre

 Nominal: tiene mas de dos categorías y no hay orden entre


ellas.
Ejemplo: color de los ojos, grupo sanguíneo

 Ordinal: tiene varias categorías y hay orden entre ellas.


Ejemplo: grado tumoral, calificación del riesgo en
anestesia.

6
Tipos de Variables Cuantitativas

 Continuas: números infinito no numerables de


elementos. Tiene asociado el concepto de medida, en
unidades a veces fraccionarias.
Ejemplo: Presión arterial, Edad, peso.

 Discretas: números finitos o infinitos numerables de


elementos. Se asocia con el concepto de conteo.
Ejemplo: N° de hijos, N° de casos de
tuberculosis por estado.
7
Presentaciones estadísticas y
representaciones gráficas
Son los métodos empleados para organizar y presentar las
observaciones , con el objeto de mostrar la máxima
información con una rápida visualización , manejo de
estética y sencilléz operativa . Pueden ser de dos tipos:
• Tablas:
• Forma sencilla y clara de agrupar la información
• Pueden ser sencillas o complejas según la cantidad de datos
• Es importante el manejo lógico de la disposición
• Gráficos:
• Permiten visualizar la información y sus relaciones
• Es una forma ilustrativa y clara de los datos
• Es una forma creativa y artística de presentación
8
Diferentes tipos de medidas

 Las descripciones numéricas de datos son


importantes. Dado un conjunto de n
observaciones :
x1 , x2 ,....., xn
 La estadística descriptiva nos ayuda mediante el
manejo de medidas de tendencia central
relativas a la posición de los datos y medidas de
dispersión relativas a la variabilidad de los datos.

9
Medidas de Tendencia Central

 Las medidas descriptivas más comunes de


tendencia central o posición son: la media
aritmética y la mediana

 Existen otras medidas de tendencia central que en


ocasiones pueden resultar de interés tales como :
la moda, los cuartiles, los deciles, los percentiles, la
media armónica, la media geométrica y la media
ponderada.

10
Media Aritmética

 La media aritmética es simplemente el promedio


(también llamada media muestral ya que
generalmente se calcula en relación a una muestra).
 Se calcula de la siguiente forma: si las
observaciones de una muestra de tamaño n son x1,
x2,…,xn entonces:
n

x
x 1  x 2  ...  x n i  1
i

X 
n n

11
Mediana

 La mediana se suele definir como el valor “más


intermedio o central ” una vez que los datos han sido
ordenados en forma creciente. Se suele denotar por
Me. La forma más general de calcular la mediana es la
siguiente:  x  n  1 2 si n es impar

Me   x
 n 2   x  ( n 2) 1
 si n es par
 2

12
Moda

 La moda de un conjunto de observaciones es el valor


que más se repite, aquel cuya frecuencia absoluta es
máxima.
 Puede ser única, que haya más de una, o que no
exista.
 Cuando hay más de una , la distribución de los datos
se denomina acorde : bimodal , trimodal, polimodal,
etc.

13
Uso de : Media , Mediana y Moda
Nos brindan una idea muy clara de la “posición” de los
parámetros dentro de una distribución de datos.

• La media tiene el uso más frecuente y sencillo ,


tales como : talla media del mexicano,
temperatura histórica promedio , etc.
• La mediana es representativa en poblaciones
heterogéneas , tales como : distribución de
salarios , peso medio, etc.
• La moda literalmente tiene que ver con “estar de
moda” o lo que más se lleva , tal como: número de
individuos por casa en México, cantidad de
usuarios de ciertos equipos celulares , etc.
14
Relación entre : Media,Mediana y Moda

La forma de distribución de las observaciones puede variar , causando


desviaciones de estas mediciones centrales , por eso es conveniente el
empleo conjunto de la media y la mediana en una población o muestra.

La media se usa para distribuciones simétricas que


no tienen sesgo , mientras que la mediana es más
representativa cuando se tienen datos de
distribución sesgada.
15
Medidas de
 LasDispersión
medidas descriptivas más
comunes de dispersión son: el
rango, la varianza y la desviación
estándar .

 Existen otras medidas de


dispersión que en ocasiones
pueden resultar de interés tales
como : rango semi-intercuartilar ,
rango percentilar y coeficiente de
variación.

16
Rango
 El rango de la muestra es la medida de variabilidad más sencilla entre todas las mencionadas
 Como valor se define como la diferencia entre la observación más grande y la más pequeña :

 Indica el ancho, recorrido o amplitud de valores . Tiene como sus límites el valor mayor y el menor en la
distribución de datos.

r  xmax  xmin

17
Varianza

 Es una medida significativa de la dispersión de las


observaciones alrededor de la media.
 Se define como el promedio de las desviaciones respecto
a su media , elevadas al cuadrado :
n n

 (x  x)
i
2
 (x  x)
i
2

s 
2 i 1
s  2 i 1
n n

18
Desviación estándar

 Es una medida significativa de la dispersión de las


observaciones alrededor de la media.
 Se define como la raíz cuadrada del promedio de las
desviaciones respecto a su media , elevadas al cuadrado ;
es decir la raíz cuadrada de la varianza :

 (x  x)
i
2

 i 1
n

19
Utilidad de las medidas de dispersión
 Las medidas centrales solo nos indican el valor medio
alrededor del cual se agrupan nuestros datos , pero las de
dispersión nos detallan la variación de las observaciones en
cuanto a forma y extensión.

 Nos muestran claramente la distancia entre los datos y la


media aritmética, además de que dependen de todas las
observaciones.

 Son únicas de una serie de datos y por eso se denominan


absolutas , pero pierden sentido de comparación , para lo
cual hay que usar el coeficiente de variación (desviación
estándar sobre
la media en porcentaje) .

20
BIBLIOGRAFÍA

1) Spiegel, Murray R. y Stephens, Larry J. (2001).


Estadística serie Schaum. México: McGraw-Hill, pp. 1 –
124
2) Domínguez, Jorge. (2009). Estadística y probabilidad. El
Mundo de los datos y el azar. México: Oxford University
Press. Unidad 3: Resumen y organización de datos, pp. 76
a 129.

21