Estadística I: Estadística Descriptiva
Prof: Mario José Pacheco López
https://sites.google.com/site/wmariojpl
1. Conceptos básicos
La Estadística se ocupa del manejo de la información puede ser catalogada de dos maneras: Datos Cualitativos
que pueda ser cuantificada. Implica esto la descripción de y Cuantitativos.
conjuntos de datos y la inferencia a partir de la informa-
ción recolectada de un fenómeno de interés. La función
principal de la estadística abarca: Resumir, Simplificar,
Comparar, Relacionar, Proyectar. Entre las tareas que de-
be enfrentar un estudio estadístico están:
1. Delimitar con precisión la población de referencia o
el conjunto de datos en estudio, las unidades que de-
ben ser observadas, las características o variables que 2. Medidas de posición y dispersión
serán medidas u observadas.
2. Estrategias de Observación: Censo, Muestreo, Dise- de la forma x1 , x2 , ..., xn , donde cada xi corresponde al i-
ño de Experimental.
3. Recolección y Registro de la información.
4. Depuración de la información.
5. Construcción de Tablas.
6. Análisis Estadístico:
- Producción de resúmenes gráficos y numéricos.
- Interpretación de resultados.
Cuando los datos comprenden toda la población de refe-
rencia, hablamos de un Censo y cuando solo comprome-
ten una parte de ella, hablamos de una muestra. En ambos
casos es pertinente un análisis Descriptivo. En el segundo
caso un análisis Inferencial.
A grandes rasgos podemos decir que una Población es
el conjunto de toda posible información, o de los objetos,
que permite estudiar un fenómeno de interés
Una muestra es un subconjunto de información repre-
sentativa de una población.
Las Variables resultan ser aquellas características de in-
terés que desean ser medidas sobre los objetos o indivi-
duos seleccionados. En la mayoría de los casos lo que se
pretende es estimar, a partir de la información recolectada
de una muestra, características desconocidas de los obje-
tos en dicha población de interés.
Las características desconocidas de una población serán
llamadas parámetros. Las características calculadas a par-
tir de una muestra son llamadas estadísticas. Una Inferen-
cia es una generalización obtenida a partir de una muestra
aleatoria.
La Estadística puede dividirse en dos grandes ramas:
Estadística Descriptiva y Estadística Inferencial.
Estadística descriptiva: Es el conjunto de métodos
usados para la organización y presentación (descripción)
de la información recolectada. La información recolectada
Estadística inferencial: Comprende los métodos y pro-
cedimientos para deducir propiedades (hacer inferencias)
de una población, a partir de una pequeña parte de la mis-
ma (muestra).
Suponga que se tiene un conjunto de datos numéricos
ésimo valor de la variable de interés. Las medidas de lo-
calización permiten tener un panorama general de aquella
o aquellas características de interés en una población y al
mismo tiempo sirven como representación del conjunto de
datos.
2.1. Medidas de posición
Al describir conjuntos de datos, con frecuencia es con-
veniente resumir la información con un solo número.
2.1.1. Medidas de posición central
Este número (medida de posición) suele situarse hacia
el centro de la distribución de los datos, en cuyo caso se
denomina medida de tendencia central.
Media muestral: También conocida como media arit-
mética o promedio o simplemente media. La media de un
conjunto de observaciones x1 , x2 , ..., xn denotada por x̄ está
dada por:
1 n
x̄ = ∑ xi
n i=1
En términos físicos la media representa el Centro de gra-
vedad de un conjunto de datos.
Ejemplo: En un estudio, se registró el tiempo (en min)
que dura la consulta de una muestra de 12 pacientes en una
clínica, en el área de consulta externa, sección Ortopedia
con un médico en particular. Los datos son los siguientes:
1
16.1 7.5 3.4 5.2 3.8 5.0 4.1 9.6 9.4 19.0 8.3 4.9. La media Cuartiles: son tres valores que divides la serie de
muestral es datos en cuatro partes iguales. Se representan por
C1 (cuartil primero), C2 (cuartil segundo) y C3 (cuartil
1 12 16.1 + 7.5 + · · · + 4.9 tercero)
x̄ = ∑ xi =
12 i=1 12
Quintiles: son cuatro valores que dividen la serie de
96.3
= = 8.025 datos en cinco partes iguales: K1 , K2 , K3 y K4 .
12
Deciles: son nueve valores que dividen la serie de
El tiempo promedio de consulta es entonces de 8.025 mi-
datos en 10 partes iguales: D1 , D2 , ..., D9 .
nutos.
Percentiles: son 99 valores que dividen la serie de
Mediana: La mediana representa aquel valor de la va- datos en 100 partes iguales: P1 , P2 , ..., P99 .
riable (ordenada) que divide los datos en dos partes por- Una expresión general para su cálculo es:
centualmente iguales. Si se quiere hallar el valor de la va-

riable que deja por debajo de sí el 50 % del resto de los va- Q p = xbhc + (h − bhc) xbhc+1 − xbhc
lores de la variable, una expresión general para su cálculo donde h = p (n − 1) + 1 y bhc es el mayor entero no mayor
es: que h.


x̃ = xbhc + (h − bhc) xbhc+1 − xbhc Ejemplo: (continuación) Hallemos los cuartiles 1 y 3.
donde h = 0.5 (n − 1) + 1 y bhc es el mayor entero no ma- Para el cuartil 1: Primero determinamos el valor de h to-
yor que h. mando p = 0.25
h = 0.25 (12 − 1) + 1 = 3.75
Ejemplo: (continuación) Primero determinamos el va- por tanto
lor de h bhc = b3.75c = 3
h = 0.5 (12 − 1) + 1 = 6.5
Luego, el dato ordenado en la posición 3 es x3 = 4.1 y en
por tanto la 4 es x4 = 4.9
bhc = b6.5c = 6 Q0.25 = x3 + (3.75 − 3) (x3+1 − x3 )
Luego, el dato ordenado en la posición 6 es x6 = 5.2 y en = x3 + (0.75) (x4 − x3 )
la 7 es x7 = 7.5 = 4.1 + (0.75) (4.9 − 4.1)
= 4.7
x̃ = x6 + (6.5 − 6) (x6+1 − x6 )
= x6 + (0.5) (x7 − x6 ) Así, el 25 % de los tiempos de atención fue inferior a 4.7
minutos.
= 5.2 + (0.5) (7.5 − 5.2)
Para el cuartil 3: Primero determinamos el valor de h to-
= 6.35 mando p = 0.75

El tiempo mediano de consulta es de 6.35 minutos. El h = 0.75 (12 − 1) + 1 = 9.25

50 % de los tiempos de atención es inferior a 6.35 minutos. por tanto
bhc = b9.25c = 9
2.1.2. Medidas de posición no central Luego, el dato ordenado en la posición 9 es x9 = 9.4 y en
la 10 es x10 = 9.6
Las medidas de posición no central permiten cono-
cer otros puntos característicos de la distribución que no Q0.75 = x9 + (9.25 − 9) (x9+1 − x9 )
son los valores centrales. Entre las medidas de posición = x9 + (0.25) (x10 − x9 )
no central más importantes están los cuantiles. Sabemos = 9.4 + (0.25) (9.6 − 9.4)
que la mediana divide a los datos en dos partes iguales,
también tiene interés estudiar otros parámetros, llamados = 9.45
cuantiles, que dividen los datos otras cantidades. Los más Así, el 75 % de los tiempos de atención fue inferior a 9.45
importantes son los cuartiles, quintiles, deciles y percenti- minutos.
les. El cuartil 2 es la misma mediana.

2
2.2. Medidas de dispersión Ejemplo: (continuación)
Las medidas de dispersión o variabilidad permiten es- 4.97
cv = = 0.619 (61.9 %)
tablecer que tan dispersos están entre si un conjunto de 8.025
datos observados. Algunas de estas medidas se refieren a Los tiempos de atención tienen una variabilidad del
la dispersión respecto a una medida particular de tenden- 61.9 %.
cia central.
Ejemplo: De una población de 155 posibles sitios de
Rango: Es la diferencia entre el máximo valor observa- muestreo alrededor del rio Meuse (Bélgica) se seleccionó
do y el mínimo: R = xn − x1 . una muestra de 25 de estos sitios para medir las concen-
traciones de plomo (ppm) en la capa superficial del sue-
Rango intercuartil: El cual denotaremos IQR, es la di- lo. Las áreas muestreadas son de aproximadamente 15m
ferencia entre C3 y C1 . Permite determinar que tan disper- x 15m. Los valores muestrales fueron: 429, 135, 173, 50,
so está el 50 % de la información más central. 285, 80, 102, 93, 148, 141, 70, 464, 133, 81, 94, 210, 150,
166, 482, 56, 75, 159, 48, 211, 654.
Varianza: La varianza de un conjunto de datos es una Así, el promedio es:
medida de su dispersión que se calcula como
n n 1 25 4689
x̄ = ∑ xi = = 187.56
∑ (xi − x̄)2 ∑ xi2 − nx̄2 25 i=1 25
i=1 i=1
s2 = = La concentración promedio de plomo es de 187.56 ppm.
n−1 n−1
La mediana:
pero tiene el inconveniente de estar en unidades cuadradas
de la variable. h = 0.5 (25 − 1) + 1 = 13
bhc = b13c = 13
Desviación estándar: Es la raíz cuadrada de la Varianza x13 = 141
por tanto tiene las mismas unidades que la variable origi- x14 = 148
nal. Indica la media de las distancias que tienen los datos
respecto de su media aritmética.
x̃ = 141 + (13 − 13) (148 − 141) = 141

Ejemplo: (continuación) Como El 50 % de las muestras tienen concentraciones de plomo

inferiores a 141 ppm.
12
El cuantil 0.9:
∑ xi2 = 16.12 + 7.52 + · · · + 4.92 = 1044.73
i=1 h = 0.9 (25 − 1) + 1 = 22.6
entonces bhc = b22.6c = 22
1044.73 − 12 8.0252 x22 = 429


2
s = = 24.72
12 − 1 x23 = 464
y √
s= 24.72 = 4.97 Q0.9 = 429 + (22.6 − 22) (464 − 429) = 450

La variabilidad promedio de los tiempos de atención es de El 90 % de las muestras tienen concentraciones de plomo
4,97. inferiores a 450 ppm.
La varianza, desviación estándar y CV:
Coeficiente de variación: Es una medida de dispersión 1471503 − 25 187.562


2
invariante ante cambios de escala que se usa para compa- s = = 24668.09
√ 24
rar dispersiones de diferentes conjuntos de datos. Se cal-
s = 24668.09 = 157.06
cula como 157.06
s
cv = cv = = 0.837
x̄ 187.56
y tiene la propiedad de encontrarse entre 0 y 1, por tanto La variabilidad promedio de los contenidos de plomo es
se puede interpretar en términos porcentuales. de 157.06 ppm, esto es del 83.7 %.

3
La covarianza y el coeficiente de correlación La co-
varianza en una medida de variabilidad conjunta entre un
par de variables X y Y medidas sobre un conjunto de n in-
dividuos. En general, si disponemos de muestras de pares
de datos (x1 , y1 ) , . . . , (xn , yn ) se define la covarianza como:
n
∑ xi yi − nx̄ȳ
i=1
sxy =
n−1
El coeficiente de correlación lineal es una medida de
asociación entre las dos variables definido como:
Sxy
rxy =
Sx Sy

con −1 ≤ ρxy ≤ 1 y −1 ≤ rxy ≤ 1.

Considere los siguientes datos de una muestra del tiem-
po de espera entre erupciones en minutos (y) y la duración
de la erupción en minutos (x) del géiser Old Faithful en el
Yellowstone National Park, Wyoming, EE.UU.

y 79 54 74 62 85 55 88 85
x 3.6 1.8 3.3 2.3 4.5 2.9 4.7 3.6
y 51 85 54 84 78 47 83
x 1.9 4.4 1.8 3.9 4.2 1.7 4.7

Para el análisis de regresión calculamos primero

x̄ = 3.287 sx = 1.137
ȳ = 70.93 sy = 15.125
n
∑ xi yi − nx̄ȳ
i=1
sxy =
n−1
3723.3 − 15 (3.287) (70.93)
=
14
= 16.163
sxy 16.163
rxy = =
sx sy (1.137) (15.125)
= 0.9399

Tenemos así que el grado de relación lineal entre tiempo

de espera entre erupciones y la duración de la erupción es
del 93.99 % (alto e indica una relación directa o positiva).