Estadística descriptiva. Conceptos básicos

Introducción

La investigación cuya finalidad es: el análisis o experimentación de situaciones para el descubrimiento de nuevos hechos, la revisión o establecimiento de teorías y las aplicaciones prácticas de las mismas, se basa en los principios de Observación y Razonamiento y necesita en su carácter científico el análisis técnico de Datos para obtener de ellos información confiable y oportuna. Este análisis de Datos requiere de la Estadística como una de sus principales herramientas, por lo que los investigadores de profesión y las personas que de una y otra forma la realizan requieren además de los conocimientos especializados en su campo de actividades, del manejo eficiente de los conceptos, técnicas y procedimientos estadísticos.

Estadística

Es el conjunto de procedimientos y técnicas empleadas para recolectar, organizar y analizar datos, los cuales sirven de base para tomar decisiones en las situaciones de incertidumbre que plantean las ciencias sociales o naturales.

ESTADÍSTICA INDUCTIVA Y DEDUCTIVA

Uno de los problemas fundamentales de la Estadística es el estudio de la relación existente entre una población y sus muestras. Según la dirección de tal relación la Estadística puede ser:

Deductiva, cuando a partir del conocimiento de la población se trata de caracterizar cada muestra posible.

Inductiva, cuando a partir del conocimiento derivado de una muestra se pretende caracterizar la población.

ESTADÍSTICA DESCRIPTIVA E INFERENCIAL

Estadística Descriptiva se refiere a la recolección, presentación, descripción, análisis e interpretación de una colección de datos, esencialmente consiste en resumir éstos con uno o dos elementos de información (medidas descriptivas) que caracterizan la totalidad de los mismos. La estadística Descriptiva es el método de obtener de un conjunto de datos conclusiones sobre si mismos y no sobrepasan el conocimiento proporcionado por éstos. Puede utilizarse para resumir o describir cualquier conjunto ya sea que se trate de una población o de una muestra, cuando en la etapa preliminar de la Inferencia Estadística se conocen los elementos de una muestra.

Estadística Inferencial se refiere al proceso de lograr generalizaciones acerca de las propiedades del todo, población, partiendo de lo específico, muestra. las cuales llevan implícitos una serie de riesgos. Para que éstas generalizaciones sean válidas la muestra deben ser representativa de la población y la calidad de la información debe ser controlada, además puesto que las conclusiones así extraídas están sujetas a errores, se tendrá que especificar el riesgo o probabilidad que con que se pueden cometer esos errores. La estadística inferencial es el conjunto de técnicas que se utiliza para obtener conclusiones que sobrepasan los límites del conocimiento aportado por los datos, busca obtener información de un colectivo mediante un metódico procedimiento del manejo de datos de la muestra.

En sus particularidades la Inferencia distingue la Estimación y la Contrastación de Hipótesis. Es estimación cuando se usan las características de la muestra para hacer inferencias sobre las características de la población. Es contrastación de hipótesis cuando se usa la información de la muestra para responder a interrogantes sobre la población.

Análisis estadístico

El análisis estadístico es todo el proceso de organización, procesamiento, reducción e interpretación de datos para realizar inferencias.

DATOS Y VARIABLES

Cuando se consideran los métodos de organización, reducción y análisis de datos estadísticos, se hace necesario aclarar los siguientes conceptos.

Variables: es toda característica que varía de un elemento a otro de la población.

Datos: son medidas o valores de las características susceptibles de observar y contar, se originan por la observación de una o más variables de un grupo de elementos o unidades

CLASIFICACIÓN DE VARIABLES

Las variables pueden clasificarse en: categóricas o cualitativas (atributos), no tienen ningún grado de comparación numérica, ejemplo: sexo, estado civil; y numéricas o cuantitativas, son características factibles de expresar por medio de números, estas pueden ser Discretas, que solo pueden tomar ciertos valores aislados en un intervalo, y Continuas, que pueden tomar cualquier valor en un intervalo.

Representación de datos

Los datos son colecciones de un número cualquiera de observaciones relacionadas entre si, para que sean útiles se deben organizar de manera que faciliten su análisis, se puedan seleccionar tendencias, describir relaciones, determinar causas y efectos y permitan llegar a conclusiones lógicas y tomar decisiones bien fundamentadas; por esa razón es necesario conocer lo métodos de Organización y Representación, la finalidad de éstos métodos es permitir ver rápidamente todas las características posibles de los datos que se han recolectado.

Representación Tabular:

Presenta las variable y las frecuencias con que los valores de éstas se encuentran presentes en el estudio.

Representación Gráfica :

Se llaman gráficas a las diferentes formas de expresar los datos utilizando los medios de representación que proporciona la geometría.

METODOS DE REPRESENTACIÓN DE DATOS CUANTITATIVOS

Arreglo de Datos. Es una forma de presentar los datos en un arreglo ascendente o descendente. Ofrece las ventajas siguientes: describe los valores mínimos y máximos, en él se pueden dividir los datos fácilmente en secciones, permite darse cuenta de los valores que aparecen más de una vez, se puede observar la distancia entre valores consecutivos.

Diagrama de Puntos. Muestra la frecuencia con que aparece cada uno de los valores

Diagrama de Tallo y Hoja. Es útil para realizar una exploración preliminar del conjunto, genera una imagen adecuada de ellos sin perder información.

Distribución de Frecuencias. Es una forma de sintetizar los datos y consiste en valerse de una tabla para clasificar los datos según su magnitud, en ella se señala el número de veces que aparece cada uno de los valores. Cuando se dispone de un gran número de valores discretos o cuando las variables son continuas, tiene sentido formar una tabla que presente la distribución de frecuencias de los datos agrupados en intervalos o clases, de igual tamaño si es posible, sin embargo una tabla de este tipo supone una concentración de datos que produce pérdida de información.

Distribución de frecuencias

Organización de datos agrupados

Definiciones

Clases o intervalos de clase: Grupo de valores que describen una característica. Deben incluir todas las observaciones y ser excluyentes. Los intervalos contienen los límites de clase que son los puntos extremos del intervalo. Se denominan intervalos cerrados, cuando contienen ambos límites e intervalos abiertos si incluyen solo un límite.

Limites Reales: Sirven para mantener la continuidad de las clases

Anchura o tamaño del intervalo: es la diferencia entre los límites reales de una clase

Número de clases: es el número total de grupos en que se clasifica la información, se recomienda que no sea menor que 5 ni mayor que 15

Marca de Clase: Es el punto medio del intervalo de clase, se recomienda observar que los puntos medios coincidan con los datos observados para minimizar el error.

Frecuencia: es el número de veces que aparece un valor

Frecuencia Acumulada: Indica cuantos casos hay por debajo o arriba de un determinado valor o límite de clase.

Frecuencia Relativa: Indica la proporción que representa la frecuencia de cada intervalo de clase en relación al total, es útil para comparar varias distribuciones con parámetros de referencia uniformes.

Frecuencia Acumulada Relativa: Indica la proporción de datos que se encuentra por arriba o debajo de cierto valor o límite de clase.

Gráficos de una Distribución de Frecuencias

Los gráficos son útiles porque ponen en relieve y aclaran las tendencias que no se captan fácilmente en la tabla, ayudan a estimar valores con una simple ojeada y brinda una verificación gráfica de la veracidad de las soluciones.

Histograma:

Esta formado por rectángulos cuya base es la amplitud del intervalo y tiene la característica que la superficie que corresponde a las barras es representativa de la cantidad de casos o frecuencia de cada tramo de valores, puede construirse con clases que tienen el mismo tamaño o diferente ( intervalo variable). La utilización de los intervalos de amplitud variable se recomienda cuando en alguno de los intervalos , de amplitud constante, se presente la frecuencia cero o la frecuencia de alguno o algunos de los intervalos sea mucho mayor que la de los demás, logrando así que las observaciones se hallen mejor repartidas dentro del intervalo.

Polígono de Frecuencias

Se puede obtener uniendo cada punto medio (marca de clase) de los rectángulos del histograma con líneas rectas, teniendo cuidado de agregar al inicio y al final marcas de clase adicionales, con el objeto de asegurar la igualdad del áreas.

Curvas de frecuencia

No es más que la curva suavizada que se traza sobre el polígono y representa la asimetría y la curtosis que tiene la distribución, permite visualizar un esquema más claro del patrón de datos. Existen varios tipos de curva de frecuencia: Curvas J, Simétricas o Asimétricas (sesgada a la derecha o a la izquierda), Unimodales, Bimodales y Multimodales.

Ojivas: Cuando se trata de relacionar observaciones en un mismo aspecto para dos colectivos diferentes no es posible ejecutar comparaciones sobre la base de la frecuencia, es necesario tener una base estándar, la frecuencia relativa. La ojiva representa gráficamente la forma en que se acumulan los datos y permiten ver cuantas observaciones se hallan por arriba o debajo de ciertos valores. Es útil para obtener una medida de los cuartiles, deciles , percentiles.

Medidas descriptivas

Con estas medidas se persigue reducir en pocas cifras significativas el conjunto de observaciones de una variable y describir con ellas ciertas características de los conjuntos, logrando una comparación más precisa de los datos que la que se puede conseguir con tablas y gráficas.

MEDIDAS DE TENDENCIA CENTRAL: PROMEDIOS

Los promedios son una medida de posición que dan una descripción compacta de como están centrados los datos y una visualización más clara del nivel que alcanza la variable, pueden servir de base para medir o evaluar valores extremos o raros y brinda mayor facilidad para efectuar comparaciones.

Es importante poner en relieve que la notación de promedio lleva implícita la idea de variación y que este número promedio debe cumplir con la condición de ser representativo de conjunto de datos.

El promedio como punto típico de los datos es el valor al rededor del cual se agrupan los demás valores de la variable.

MEDIA ARITMÉTICA

Es una medida matemática, un número individual que representa razonablemente el comportamiento de todos los datos.

Para datos no agrupados X = S xi / n

Para datos agrupados X = S fi Xi / S fi

donde Xi es la marca de clase para cada intervalo y fi es la frecuencia de clase

Características de la Media:

1. En su cálculo están todos los valores del conjunto de datos por lo que cada uno afecta la media.

2. La suma algebraica de las desviaciones de los valores individuales respecto a la media es cero.

3. La suma del cuadrado de las desviaciones de una serie de datos a cualquier número A es mínimo si A = X

4. Aunque es confiable porque refleja todos los valores del conjunto de datos puede ser afectada por los valores extremos, y de esa forma llegar a ser una medida menos representativa, por lo que si la distribución es asimétrica, la media aritmética no constituye un valor típico.

La moda

Es el valor de un conjunto de datos que ocurre más frecuentemente, se considera como el valor más típico de una serie de datos.

Para datos agrupados se define como Clase Modal el intervalo que tiene más frecuencia.

La moda puede no existir o no ser única, las distribuciones que presentan dos o más máximos relativos se designan de modo general como bimodales o multimodales.

Características de la Moda.

1. Representa más elementos que cualquier otro valor

2. No está afectada por los valores extremos pero para datos continuos es dudoso su cálculo.

3. La moda para una distribución de frecuencias de datos agrupados no puede ser calculada exactamente, el valor de la moda puede ser afectado por el método de agrupación de los intervalos de clase.

4. La moda no permite conocer la mayor parte de los datos

5. Algunas veces el azar interviene de manera importante y hace que un valor no representativo se repita frecuentemente.

6. Puede usarse para datos cuantitativos como cualitativos

7. La moda como estadístico, varía mucho de una muestra a otra

8. Cuando se tienen dos o más modas es difícil su interpretación

9. Tiene la ventaja de que los datos desproporcionados con respecto al resto no la distorsionan, pero no se presta para un tratamiento matemático.

La mediana

Es el valor de la observación que ocupa la posición central de un conjunto de datos ordenados según su magnitud. Es el valor medio o la media aritmética de los valores medios. La mediana es un valor de la variable que deja por debajo de él un número de casos igual al que deja por arriba.

Geométricamente la mediana es el valor de la variable que corresponde a la vertical que divide al histograma en dos áreas iguales.

Cuando determinados valores de un conjunto de observaciones son muy grandes o pequeños con respecto a los demás, entonces la media aritmética se puede distorsionar y perder su carácter representativo, en esos casos es conveniente utilizar la mediana como medida de tendencia central.

Características de la mediana

1. Es un promedio de posición no afectado por los valores extremos.

2. No está definida algebraicamente

3. Cuando la localización del elemento central puede ser determinada y los límites de clase mediana son conocidos, la mediana para la distribución de frecuencias puede ser calculada por interpolación, no importando que ésta contenga intervalos abiertos, cerrados, iguales o diferentes.

4. La suma de los valores absolutos, sin considerar el signo, de las desviaciones individuales respecto a la mediana es mínimo.

5 La mediana en caso de una distribución asimétrica, no resulta desplazado del punto de tendencia central.

6. Si el universo tiene curtosis excesiva la mediana como estadístico, varía menos que cualquier otra medida.

7. Si la mediana se calcula por interpolación y hay lagunas en los valores de la clase mediana o los datos son irregulares, esta medida no es buena ya que su ubicación puede resultar falsa.

8. Si se desea ubicar las condiciones de un elemento en una clase, la mediana resulta se indicada, ya que por comparación pone en evidencia si un elemento está en la mitad superior a ella o en la inferior.

MEDIA ARITMETICA PONDERADA

En ésta, para cada uno de los valores de xi se asigna un factor wi de peso, que depende de la importancia que el investigador desee darle.

Xp = S ( xi wi) / S wi

MEDIA GEOMÉTRICA

Útil cuando la variable cambia a lo largo del tiempo, esto es, en el calculo del promedio de tasas, razones, proporciones geométricas y relaciones de variables. Se utiliza en Matemáticas Financieras y Finanzas para promediar números índices, tasas de cambio, etc.

La media Geométrica de una serie de números es la raíz n-ésima del producto de esos números

M = n e (x 1 * x 2 * x 3 *…..*x n )

Se ve afectada por todos los números y valores extremos pero en menor grado que la Media Aritmética, su valor siempre es menor que el de ésta.

MEDIA ARMÓNICA

Se utiliza para el promedio de rendimientos y velocidades. La Media Armónica de una serie de números es el reciproco de la media aritmética del recíproco de esos números.

1 / MH = [ S 1 / xi ] / n

MEDIA CUADRÁTICA

Es la raíz cuadrada de la media aritmética de los cuadrados de los números, se usa eficientemente para promediar los errores o desviaciones porque es más susceptible a los mismos.

MC = 2 e S [ xi 2 ] / n

LOS CUANTILES

Son valores que dividen a la distribución en n partes iguales

Cuartiles, cuatro partes iguales: Q1, Q2, Q3

Deciles, diez pares iguales : D1, D2……….D9

Percentiles o centiles, cien partes iguales: P1, P2…..P99

Los cuantiles permiten hacer un análisis minucioso de la distribución, se utilizan generalmente cuando se quiere ubicar un dato dentro del conjunto. Por ejemplo. Pertenece el dato x al 50% superior ?, al 10% inferior? , al 50 % central?, etc.

Medidas de dispersión

Un rasgo principal de los datos es su dispersión o amplitud, que se refiere a su variabilidad, a la evaluación de cuán separados o extendidos están estos datos o bien cuanto difieren unos de otros.

Variación: es el grado en que los datos numéricos tienden a extenderse al rededor de un valor, generalmente el valor medio

¿Por qué es importante la variación?

1. Al menudo una medida de posición de un conjunto de datos se vincula con la indicación de cuán típico o representativo es para la población y para ello es necesario contar con la información que proporcionan las mediadas de variación. Solo el conocimiento de un estadístico de tendencia central no aclara o define toda la distribución, además que no existe un valor de tendencia central ideal, por lo que es significativo tener una idea de la dispersión de los valores y determinar si es mucha o poca al rededor de la media, pues si la variación es muy grande entonces esta medida de tendencia central no es buena selección como valor típico.

2. La medida de tendencia central no indica la relación de un dato con los otros, es necesario para ello las medidas de variabilidad o dispersión.

3. Al tratar problemas con datos dispersos se requiere conocer que problemas puede esto traer, hasta que punto la dispersión tiene un riesgo aceptable o inaceptable en la toma de decisiones.

4. Al comparar dos distribuciones por lo general centramos la atención en la posición y en la dispersión.

RANGO

Mide la dispersión de la totalidad de los datos. Es la más obvia de las mediadas ya que es la distancia entre los valores máximo y mínimo.

El rango o recorrido da alguna idea del grado de variación que ocurre en la población, pero con frecuencia los resultados pueden ser engañosos, pues este depende de los valores extremos e ignora la variación de las demás observaciones. Está afectado por ocurrencias raras o extraordinarias.

INTERVALO INTERDECIL

Mide la dispersión del 80% de los datos centrales y se obtiene de la diferencia entre el decil 9 y el decil 1, evitando así los puntos extremos.

INTERVALO INTERCUARTIL :

Cuando aumenta la dispersión de una distribución de frecuencias, se amplía la distancia entre los cuartiles, por lo que esta distancia puede usarse como base de una medida de variabilidad

El intervalo intercuartil, es el recorrido entre el cuartil 3 y el cuartil 1. Es el intervalo en el cual está comprendido el 50% de los datos centrales.

DESVIACIÓN CUARTÍLICA

Mide el intervalo promedio de un cuarto de los datos [Q3-Q1)/2]

Si la distribución es perfectamente simétrica, los dos cuartiles Q1 y Q3 equidistan de la mediana y la mitad de la distancia entre los cuartiles representa la distancia promedio entre ellos y la mediana.

Si en una distribución simétrica se mide una distancia igual a la desviación cuartílica a ambos lados de un punto ubicado en el centro de los cuartiles, el 50% de los valores estarán incluidos dentro de esos límites y el valor del punto medio coincide con la mediana.

La ventaja de la desviación cuartílica es que evita los valores extremos utilizando únicamente la mitad intermedia de los datos.

DESVIACIÓN MEDIA

La desviación Media o Desviación absoluta promedio, es la media aritmética de las desviaciones absolutas de cada una de las observaciones con respecto a su valor central, la media aritmética, o la mediana

Cuanto mayor es su valor, mayor es la dispersión de los datos

DM =[ S | xi . X | ] / n

DM = [ S fi | xi – X | ] / S fi

Las características de esta media de dispersión son:

1. Su valor depende del valor de cada observación.

2. Se puede calcular al rededor de la media o de la mediana.

3. La desviación promedio respecto a la mediana es un mínimo

4. Mide la desviación de una observación sin notar si está por encima o por debajo del promedio.

Varianza

Otro tratamiento para evadir la suma cero de las desviaciones de las observaciones respecto a su Media Aritmética, consiste en recurrir al proceso de elevar al cuadrado estas desviaciones y sumar los cuadrados, dividiendo la suma por el número de casos, a esta cantidad se le denomina varianza, y es la más importante de las medidas de variación porque tiene la ventaja de no prescindir de los signos de las desviaciones, pero al igual que la desviación media los valores extremos pueden distorsionarla

s 2 = S ( xi – X ) 2 / n

s 2 = S fi (xi-X ) 2 / S fi

S 2 = S (xi-X) 2 / ( n)

S 2 = S fi ( xi-X ) 2 / ( S fi )

S 2 * = S (xi-X) 2 / ( n-1)

S 2 *= S fi ( xi-X ) 2 / ( S fi -1)

En inferencia, con una muestra tomada de una población grande se pretende descubrir cuanto varían los datos al rededor de la media poblacional, si embargo cuando no se conoce la media de la población se estima a partir de la media aritmética de la muestra y esto hace que parezca menos variable de o que es en realidad, al dividir por n-1 se está compensando por la variabilidad más pequeña que se observa en la muestra, por lo que S 2 * , la suma de cuadrados dividida por n-1 es considerado un estimador más eficiente para la varianza poblacional.

Desviación estándar

Cuando se utiliza la varianza como medida de dispersión, para salvar el problema de trabajar con distintas dimensiones en la media y en la medida de variabilidad es necesario definir la Desviación estándar como la raíz cuadrada de l varianza.

La Desviación Estándar es útil para describir cuanto se apartan de la media de la distribución los elementos individuales. Una medida de ello se denomina puntuación estándar número de desviaciones a las que determinada observación se encuentra con respecto a la media.

Puntuación estándar de xi = (xi – X) / s

Al comparar distribuciones también hacemos uso de la calificación estándar.

Característica de la Desviación Estándar:

1. Es afectada por el valor de cada observación

2. Como consecuencia de considerar desviaciones cuadráticas pone mayor énfasis en las desviaciones extremas que en las demás desviaciones.

3. Si en el eje X de la distribución de frecuencias normal, se mide a ambos lados de la media una distancia igual a :

Una desviación estándar se forma un intervalo en el cual se encuentra el 68.27% de los valores centrales de la variable

Dos desviaciones estándar, se forma un intervalo donde se encuentra el 95.43% de los valores centrales

Tres desviaciones estándar, se forma un intervalo que contiene el 99.73% de los valores centrales

4. Al construir la tabla de frecuencias de una variable discreta y calcular a partir de ella la desviación estándar no hay pérdida de información por lo que la desviación para los datos observados es igual que para los datos tabulados.

En la construcción de una tabla de una variable continua hay pérdida de información por el agrupamiento de los valores en intervalos y se traduce en la discrepancia entre el valor de la desviación observada y tabulada.

MEDIADAS DE DISPERSIÓN RELATIVAS

Cuando se necesita comparar dos o más series de datos a veces no es posible hacerlo con las medidas absolutas, ya sea porque las unidades son diferentes o porque tienen diferente media, en éstos casos deben utilizarse cantidades relativas definida generalmente como:

Dispersión relativa = Dispersión absoluta / media

COEFICIENTE DE VARIACIÓN

Es la medida de dispersión relativa más usada y se define como el cociente de la desviación estándar entre el promedio aritmético, expresado en porcentaje y es adimensional

V = S / X

MEDIDAS DE ASIMETRÍA Y CURTOSIS

MEDIDAS DE SESGO O ASIMETRIA

En las distribuciones que no toman la forma de una curva acampanada Normal, interesa muchas veces obtener dos medias adicionales, las de asimetría y curtosis. Las medidas de asimetría muestran si en la distribución hay concentración de datos en un extremo, superior o inferior, y se denomina Sesgo positivo o a la derecha si la concentración es en el extremo inferior y Sesgo Negativo o a la izquierda si la concentración es en el superior.

Coeficiente de Pearson

En las distribuciones simétricas, la media , la mediana y la moda coinciden y conforme la distribución se separa de la simetría estos valores se separan, por lo que la más corriente de las medidas de asimetría es la diferencia entre la moda y la media que se la más sensible a los valores extremos

Sk = ( X -Mo) / S

Para cuando la moda no se encuentra bien definida se puede sustituir por la mediana

Sk= 3 ( X -Me) / S

Estas medidas se conocen como el primero y segundo coeficiente de Pearson y varían entre el intervalo + 3, es cero para la distribución normal.

MEDIDA CUARTIL DE ASIMETRIA

En una distribución simétrica los cuartiles quedan simétricamente colocados respecto a la mediana, pero si es asimétrica un cuartil se separa más que otro. La medida cuartil de asimetría marca esta relación

Sk =[ ( Q3-Me) -( Me-Q1) ]/ ( Q3-Q1)

Si la asimetría es a la derecha Q3 está más lejos de la mediana que Q1, si la asimetría es a la izquierda Q1 está mas alejada de la mediana que Q3.Esta medida varía siempre entre + 1, si es cero la distribuciones normal.

COEFICIENTE DE SESGO PERCENTÍLICO

Se aplica con el mismo criterio de la medida Cuartil de Asimetría

Sk = [( P90-P50) -(P50-P10) ]/ ( P90-P10)

MEDIDAS DE CURTOSIS

Al comparar cuán aguda es una distribución en relación con la Distribución Normal, se pueden presentar diferentes grados de apuntalamiento.

1. Mesocúrtica, Normal

2. PlarticúrtiCa, Menor apuntalamiento

3. Leptocúrtica, Mayor apuntalamiento

COEFICIENTE DE CURTOSIS PERCENTILICO

Una medida del apuntalamiento o curtosis de la distribución está basada en los cuartiles y percentiles, y está dada por el coeficiente de Curtosis Percentílico

K= ( 0.5 ( Q3- Q1) ) / ( P90-P10)

Para la distribución normal K toma un valor de 0.263 y las distribuciones se definen como:

Leptocúrtica si k es mayor que 0.263

Platicúrtica si k es menor que 0.263

Autor:

Foxy Herrera