1.

INTRODUCCIÓN A LA ESTADÍSTICA

1.1. ¿Qué es la estadística? ¿Cómo podemos definir la estadística?

La estadística no es solo el conjunto de cifras y gráficos que solemos ver o escuchar

a través de los medios de comunicación. La estadística es una herramienta de
análisis primordial para la comprensión de informaciones, problemas y hechos no
solo científicos sino de la vida diaria.

1.2. ¿Dónde encontramos la estadística en la vida cotidiana?

Las técnicas estadísticas tienen un protagonismo relevante en

prácticamente cualquier actividad que realizamos en nuestra vida diaria:

• Cuando nos levantamos y encendemos una bombilla ha sido necesario

previamente un estudio estadístico de la demanda energética.
• Para conocer la predicción del tiempo que hará ese día se aplican métodos
estadísticos que determinan la previsión climatológica.
• La garantía de la cafetera con la que preparamos nuestro café ha tenido que
pasar por controles de calidad basados en técnicas estadísticas.
• La eficacia del medicamento que nos prescribirá el médico para curar la
gripe.
• Los porcentajes de oferta que nos aplican en la compra de productos en el
supermercado.
• La determinación del IPC.
• Lo que pagaremos por un seguro de vida en función de la estimación de la
esperanza de vida, etc.

Y es que en la actualidad la estadística es una ciencia de aplicación práctica casi

universal en cualquier área del conocimiento:
 o En medicina permite determinar los efectos de nuevos medicamentos
o En psicología ayuda a calibrar la bondad de los test.
o En geografía ayuda a la confección de mapas.
o En letras aporta información a los estudios sociolingüísticos.
o En economía sirve de soporte a los modelos económicos.
o En ingeniería hace cada vez más uso de ella para la mejora de la calidad y
la producción.
o En mecánica cuántica tiene como herramienta fundamental la probabilidad.
o En mecánica de fluidos, en la descripción de modelos termodinámicos
complejos.
o O en la investigación de mercados, donde podemos encontrar desde las
encuestas electorales sobre intención de voto hasta las orientadas a las
preferencias del consumo, de opiniones políticas o la interpretación de Big
Data.

1.3. ¿Las estadísticas mienten?

La estadística como Ciencia es una rama de las matemáticas sujeta a los mismos
procedimientos propios del método científico para garantizar su fiabilidad. Esta es
la razón por la que se utiliza técnicamente en cualquier área del conocimiento o de
la investigación que necesite contrastar empíricamente los resultados que ofrece.

• Las estadísticas no mienten, pero los mentirosos pueden hacer

estadísticas - Mark Twain
Su mala prensa viene determinada por el uso inadecuado de la herramienta (igual
que quien sin saber música pretende ejecutar una pieza de Mozart aporreando un
piano).

En España, igual que en otros países, la estadística ha estado en manos de

profesionales con escasa o nula formación en las técnicas y procedimientos
específicos de esta disciplina. Su divulgación ha venido dada, en muchos casos,
por un uso inadecuado de encuestas de opinión mal planteadas y peor resueltas en
el tratamiento de datos, con objetivos espurios pero beneficiosos para aquél que
encarga el estudio, sin utilizar la metodología adecuada para permitir que los datos
hablen por sí solos, igual que se hace en su aplicación en un ensayo clínico, por
ejemplo.

Por lo demás, esto ha llevado a una gestión de la información basada en la

estadística absolutamente deficiente y sesgada en cuanto a los resultados que
ofrece, y su consecuencia es que la sociedad piensa que no se trata nada más que
de un conjunto de datos que se “manejan y torturan hasta que digan lo que el cliente
quiere demostrar”. Pero, en realidad bien aplicada la estadística es una herramienta
de investigación poderosísima.

1.4. ¿Qué pretendemos con esta serie de entradas?

Nuestro interés es divulgar la estadística acercándonos a ella de manera llana y sin

formalismos, para que cualquier persona sin una formación estadística específica
pueda con ejemplos y situaciones reales tomar conciencia de la importancia de
poseer un conocimiento estadístico básico pero crítico y bien fundamentado. Una
cultura básica estadística contribuiría a hacer posible ciudadanos mejor informados
y menos vulnerables a la manipulación. En consecuencia, más libres. Para ello
mediante casos prácticos, anécdotas y errores comunes vamos a aprender a:

• Interpretar y entender correctamente mensajes expresados en lenguaje

matemático que aparecen en los Medios de Comunicación.
• Manejar con soltura y rapidez la información utilizada en los Medios de
información manteniendo una actitud crítica.
• Buscar y analizar contenidos estadísticos en anuncios televisivos, periódicos,
emisoras de radio que resulten de interés para el público en general.
• Analizar tablas y gráficos estadísticos.
• Interpretar noticias donde se haga referencia a estadísticas.
La estadística es la ciencia que se encarga de recopilar, organizar, procesar,
analizar e interpretar datos con el fin de deducir las características de un grupo o
población objetivo, su importancia radica en que es una fuente de información
altamente confiable para la toma de decisiones.

En este post hallarás respuesta a las preguntas qué es estadística, cómo se define,
cuál es su significado y sus partes. Además, aprenderás cuáles son los objetivos de
esta ciencia, los tipos de estadística, descriptiva e inferencial (también llamada
analítica o cuantitativa) y de lo que se ocupa cada una, ejemplificándolas de manera
sencilla. Adicionalmente, encontrarás una breve reseña con la historia de esta
ciencia, algunas definiciones de términos clave para iniciar su estudio y como cereza
del pastel un curso compuesto por 13 video lecciones a través de las cuales te
podrás adentrar al mundo de esta rama del saber. ¡Comencemos!

1.5. Qué es estadística, definición, significado y partes

La estadística es la ciencia de los datos, se ocupa de su recolección, organización,

estructuración, análisis y presentación. Dichos datos se refieren a un fenómeno
variable e incierto, por ejemplo el resultado de lanzar una moneda. Su aplicación
busca inferir los principios que dirigen esos fenómenos, además, permite hacer
predicciones y una toma de decisiones más informada.
 2. ¿QUÉ ES ESTADÍSTICA?

2.1. ¿Qué es estadística?

La estadística es una ciencia y una rama de las matemáticas a través de la cual se

recolecta, analiza, describe y estudia una serie de datos a fin de establecer
comparaciones o variabilidades que permitan comprender un fenómeno en
particular.
La estadística se vale, en gran medida, de la observación para la recolección de
datos que posteriormente serán analizados y comparados a fin de obtener un
resultado.

Asimismo, la estadística se emplea para estudiar una población o muestra sobre el

que se pretende obtener una información en particular, de esta manera se puede
ofrecer una solución a un problema o ver cómo ha variado una situación en
específico.

Se trata de una ciencia que puede ser aplicada más allá de las ciencias, ya que la
estadística también es aplicada en diversos estudios en las áreas de las ciencias
sociales, ciencias de la salud, economía, negocios y en diversos estudios de tipo
gubernamental.

El objetivo de la estadística es tanto ofrecer un resultado numérico como exponer

de qué manera se está desarrollando una situación en específico.

De allí que tras un análisis estadístico se pueda comprender un hecho, tomar

decisiones, estudiar problemas sociales, ofrecer datos y soluciones en
determinados casos, deducir datos en relación a una población, entre otros.

El término estadística deriva del alemán statistik, y este a su vez del latín statisticum
collegium.
 2.2. Tipos de estadística
A continuación se presentan los principales tipos de estadísticas aplicadas en
diversos estudios.

2.2.1. Estadística descriptiva

La estadística descriptiva o deductiva permite presentar de manera resumida y
organizada los datos numéricos obtenidos tras un estudio o análisis en particular.
Su objetivo, por lo tanto, es describir las características principales de los datos
reunidos y evitar generalizaciones.

2.2.2. Estadística inferencial

La estadística inferencial o inductiva es el estudio que utiliza técnicas a partir de las
cuales se obtienen generalizaciones o se toman decisiones en base a una
información parcial o completa obtenida mediante técnicas descriptivas.

Su objetivo es extraer conclusiones de utilidad sobre el total de las observaciones

posibles basándose en la información obtenida.

2.2.3. Estadística aplicada

La estadística aplicada hace uso de los métodos expuestas anteriormente, y permite
realizar inferencias a partir de una o varias muestras de una determinada población
como objeto de estudio. De esta manera se pueden ofrecer resultados tanto
específicos como generalizados.

La estadística aplicada se utiliza en diversas ciencias, como la historia, la economía,

la educación o la sociología para realizar estudios y análisis estadísticos.

2.2.4. Estadística matemática

Se trata de la estadística que arroja datos aleatorios e inciertos, por ello hace uso
de la teoría de la probabilidad, una rama de las matemáticas que estudia estos
casos.
 2.3. Probabilidad estadística
La probabilidad estadística es una forma de medición de la certidumbre que
asociada a la observación u ocurrencia de un fenómeno o al hecho de que una
característica de un objeto de estudio adopte cierto valor. Se puede simplificar
dividiendo el número de ocurrencias de un hecho entre el número total de casos
posibles.

2.4. ¿Por qué la estadística?

En ciertas ciencias (Biología, Ciencias Humanas, algunos campos de la Física)

aparece el concepto de experimento aleatorio (experimento que repetido en las
"mismas condiciones" no produce el mismo resultado) y asociado al mismo el de
variable aleatoria.

Una variable no aleatoria (asociada al resultado de una experiencia que sí produce

el mismo resultado) está caracterizada por un valor para cada condición.

Una variable aleatoria está caracterizada por la llamada función densidad de

probabilidad, a partir de la cual se obtienen las probabilidades para sus posibles
valores para cada condición.

Los objetivos de la investigación científica se pueden entender, de un modo muy

general, en términos de encontrar y describir las variables de interés y las relaciones
entre ellas, para el problema en estudio.

La estadística es la ciencia que estudia los métodos que permiten realizar este
proceso para variables aleatorias. Estos métodos permiten resumir datos y acotar
el papel de la casualidad (azar).

2.5. Se divide en dos áreas:

• Estadística descriptiva: Trata de describir las variables aleatorias en las
"muestras".
 • Estadística inductiva o inferencial: Trata de la generalización hacia
las poblaciones de los resultados obtenidos en las muestras y de las
condiciones bajo las cuales estas conclusiones son válidas. Se enfrenta
básicamente con dos tipos de problemas:

La estadística es, pues, una ciencia que obtiene conclusiones a partir de datos
numéricos que nos dan información sobre la realidad en algún aspecto determinado.
Como ciencia es una rama de las matemáticas, que utiliza leyes de la probabilidad
para analizar datos que son extraídos como muestra representativa de la realidad
total, extrayendo conclusiones probables sobre fenómenos que pueden o no ser
aleatorios. Nos proporciona modelos para explicar situaciones que implican
incertidumbres.
Se utiliza, hoy en día, para estudiar la población, desde sus tendencias políticas
hasta sus preferencias de consumo o sus hábitos y su comportamiento en otros
aspectos de la vida.
También es utilizada en muchas otras investigaciones científicas como ciencia
auxiliar, como en la física, la medicina, las ciencias económicas, etc.
Su aplicación a la toma de decisiones en los ámbitos políticos y empresariales es
muy frecuente.

2.6. Estadística matemática

Todos los puntos que exponemos a continuación se desarrollan mediante fórmulas

matemáticas; aquí sólo vamos a explicar su concepto.

▪ La probabilidad, las posibilidades se definen como objetos

matemáticos. En su concepción original, se aplica cuando todas las
posibilidades son igualmente probables (por ejemplo, sacar una
determinada carta en una baraja normal). Sin embargo no suele suceder
que todas los posibilidades sean igualmente probables, para solventar este
límite se aplica el estudio e interpretación de la frecuencia de un evento. Si
no tenemos datos suficientes para evaluar estas frecuencias deberemos
 acudir a la evaluación personal o subjetiva, considerando otra información
colateral y realizando hipótesis fundadas.
▪ Los espacios muestrales son la información que obtenemos de la
observación y experimentación de la realidad a estudiar. Estos resultados
pueden variar dependiendo del ámbito donde se realiza la observación o el
experimento, según acotemos más o menos utilizando determinadas
características la realidad a estudiar.
▪ Distribuciones y densidades de probabilidad la experimentación de la
realidad se produce tomando datos de manera aleatoria que consideremos
que son muestras representativas de la realidad a estudiar. En esta toma
de datos nos interesan determinados aspectos del objeto a estudiar y otros
aspectos no; es lo que llamamos variables aleatorias, por ejemplo, si
tiramos dos dados nos puede interesar el resultado total de los dos y no
como se comporta cada uno de ellos por separado, aunque el resultado
total sea la suma de estos comportamientos separados y el cálculo se haga
en base a los ocho lados que tiene cada uno y cual es la probabilidad de
que salgan determinados números. Estas variables aleatorias pueden
ser continuas cuando se toman los datos directamente de la realidad
o discretas si se producen redondeos o aproximaciones.
▪ La esperanza matemática aparece a partir del análisis de los juegos de
azar. Si compramos un décimo de lotería en un sorteo donde se puede
ganar un premio de 20.000€ y se venden 500.000 décimos nuestra
esperanza matemática de ganar será 20.000x1/500.000, es decir
20.000/500.000 = 0,04€ por cada décimo. Traspasando este criterio a una
variable aleatoria, su esperanza matemática será el valor esperado. La
esperanza matemática se utiliza muy habitualmente para la toma de
decisiones según las probabilidades de éxito que se tenga.
▪ Funciones de variables aleatorias aplica fórmulas matemáticas para
deducir la probabilidad de una variable a partir de la información de un
muestreo de variables aleatorias.
▪ Muestreo el estudio sobre el que se aplican las fórmulas y análisis
estadísticos se denomina muestra y se realiza de manera metódica y
sistemática, para que sea representativo de una realidad a la que
llamamos población infinita porque puede alcanzar cualquier límite. El
método para tomar estas muestras debe tener en cuenta las características
concretas de dichas muestras para intentar que sean representativas del
universo a estudiar; pero los resultados serán más fiables cuanto mayor sea
el número de muestras estudiadas.
▪ La inferencia o estimación estadística sirve para dar valor a un
parámetro a partir de la información que nos proporciona la muestra. Esta
estimación se puede hacer de manera puntual, utilizando un sólo criterio de
muestra (por ejemplo la estatura media midiendo la estatura de los sujetos
encuestados); o por intervalos, analizando datos diferentes y deduciendo
sus consecuencias para calcular el parámetro buscado. Hablamos de
estimación bayesiana cuando los resultados que obtenemos vienen de la
creencia que tenemos de que determinados datos obtenidos en la muestra
tienen esas consecuencias.
▪ Regresión y correlación predecimos determinadas variables en función
de otras variables. Por ejemplo, predecir el nivel de ventas de un producto
según su precio, lo que va a gastar una familia en función de su nivel de
ingresos o lo que van a adelgazar las personas según su nivel de
seguimiento de un régimen.
▪ Análisis de varianza si, realizando muestras diferentes, obtenemos
resultados diferentes o contradictorios debemos analizar si esas diferencias
se deben a alguna característica concreta de cada muestra tomada o si son
totalmente aleatorias.
 2.7. Aplicación de la estadística matemática

Todos los estudios y criterios que acabamos de exponer se aplicarán, en la práctica,

en dos campos:

▪ La estadística descriptiva que de forma numérica o gráfica llega a

conclusiones sobre datos medios concretos.
▪ La estadística inferencial que busca modelos y predicciones sobre
realidades aleatorias.
 3. CONCEPTOS BÁSICOS DE ESTADÍSTICA

La estadística estudia la variabilidad sobre cuestiones de la realidad en los que

interviene el azar. Gracias a la estadística se consiguen una serie de datos
objetivables mediante los cuales se pueden extraer una serie de conclusiones.

La estadística son los métodos y procedimientos para recoger, clasificar, analizar y

representar los datos, así como obtener conclusiones a través de ellos, con la
intención de formular predicciones y ayudar en la toma de decisiones.
Existen dos tipos principales de estadística:

• Estadística descriptiva o estadística deductiva; es la parte de la

estadística que se ocupa de ordenar, sintetizar y representar gráficamente
los resultados recogidos durante la investigación. La estadística descriptiva
no solo describe, sino también analiza y representa los datos utilizando
elementos numéricos y gráficos.

• Estadística inferencial o estadística inductiva; es la estadística que tiene

como objetivo obtener conclusiones sobre el total de la población a partir de
los datos obtenidos en un subconjunto de la misma o grupo de elementos
representativos (muestra).

Los principales conceptos en estadística a partir de los cuales podemos profundizar

en ella son:

• Población; también conocido como universo o conjunto completo de

individuos que cumplen una serie de características y al que harán referencia
las conclusiones del estudio. A partir de la población de estudio se elegirá
una muestra representativa.
• Muestra; es un grupo acotado o reducido de todos los individuos de forman
la población. Se considera que una muestra es representativa cuando los
individuos de la misma son seleccionados al azar.

• Individuo; son las personas o elementos que contienen la información del

fenómeno que se pretende estudiar.

• Muestreo; es el procedimiento mediante el cual se obtiene una muestra. El

muestreo puede ser probabilístico o aleatorio y no probabilístico o no
aleatorio.

• Aleatoriedad de una muestra; es la característica mediante la cual todos

los miembros de una muestra tienen las mismas posibilidades de formar
parte de la misma.

• Homogeneidad de una muestra; es la característica mediante la cual las

variables de la muestra se presentan en la misma proporción que las de la
población.

• Independencia en la selección de una muestra; es la característica de la

muestra que determina que la selección de un individuo no influye en la
selección de otro individuo.

• Muestreo simple; es el muestreo de tipo probabilístico, mediante el cual

cualquier elemento de la población tiene la misma probabilidad de pertenecer
a la muestra.
• Muestreo sistemático; es el muestro de tipo probabilístico, en el que el
proceso de selección de la muestra se realiza mediante una regla sistemática
simple como es elegir un número determinado de individuos.

• Muestreo estratificado; es el muestreo de tipo probabilístico que divide la

población en subgrupos según algunas características para luego extraer
una muestra al azar de cada uno de los subgrupos.

• Muestreo por conglomerados; es el muestreo de tipo probabilístico en el

que se extrae una muestra al azar a partir de grupos naturales de individuos
dentro del universo o población.

• Muestreo de conveniencia; es el muestreo de tipo no probabilístico en el

que la muestra se selecciona por su facilidad o directamente se
autoselecciona.

• Muestreo por cuota; es el muestreo de tipo no probabilístico, en el que la

muestra se sustenta sobre el buen conocimiento de los grupos o estratos de
la población y en los individuos más representativos para sus fines. También
se denomina muestreo accidental.

• Muestreo por criterio; es el muestreo de tipo no probabilístico en el que el

investigador utiliza sus conocimientos sobre la población para elegir los
individuos de la muestra.
 • Variables; son las características de la población que se representan en los
individuos que forman la muestra y que son susceptibles de ser medidas. Las
variables pueden ser cuantitativa o cualitativas.

• Parámetro; es un índice que resume una determinada característica de la

población, representándose por las letras griegas “μ” o mu y “σ” o ro. Un
parámetro es la función definida sobre los valores numéricos de
características medibles de una población.

• Estadístico; es un índice que resume una determinada característica de la

muestra, representándose por las letras del alfabeto latino “x” y “s”. Un
estadístico es la función definida sobre los valores numéricos de una
muestra.

La estadística es una rama de las matemáticas que te permite recopilar, organizar

y analizar datos según la necesidad que tengas, por ejemplo: obtener un
resultado, comparar información, tomar mejores decisiones, entre muchas cosas
más.

Al utilizar métodos, procedimientos y fórmulas, la estadística es considerada

la ciencia del análisis de datos y su principal objetivo es ayudar a comprender lo que
sucede en tu entorno a partir de la información disponible.

3.1. ¿Para qué sirve la estadística?

La estadística sirve para conocer comportamientos, aspectos de la industria y

tendencias en el mercado.

Ese es el caso de Netflix, la plataforma de películas y series que reúne datos de sus
usuarios para saber cuál es el contenido que más les gusta. Así, pueden decidir
cuál será la película del momento o qué serie lanzarán el próximo mes.
Google también procesa millones de búsquedas a diario y las analiza para mejorar
la experiencia de sus usuarios.

Además, la estadística se utiliza en investigaciones médicas para comprobar la

eficacia de un medicamento, en la economía para saber cuáles productos son los
más consumidos, en la educación para conocer cuántas personas están estudiando
en tu país. En fin, en diferentes campos y situaciones en las que es
necesario interpretar grandes cantidades de información.

3.2. Ventajas de la estadística

• Te permite resumir grandes cantidades de información, hacer

comparaciones y predecir resultados.

• Es muy útil al momento de tomar decisiones acertadas o

responder preguntas sobre cualquier objeto de estudio.

• Si existen ideas o afirmaciones con pocos argumentos, puedes

apoyarte en la estadística para justificarlas.

• Es una gran herramienta para dar conclusiones objetivas en

las investigaciones.

3.3. Tipos de estadística

Hay dos tipos de estadística: la descriptiva y la inferencial.

• Estadística descriptiva: te ayuda a organizar una gran cantidad de datos

a través de métodos, tablas y gráficos que te permiten presentar los
resultados de forma ordenada. En este curso te mostramos algunas de
estas herramientas.
• La estadística inferencial: se encarga de realizar conclusiones y
deducciones a partir de una muestra de datos. Es útil cuando necesitas
 tomar decisiones o establecer cuál es la tendencia en un
grupo de información.
Por ejemplo: si quieres saber cuál es el salario promedio de los pilotos de tu país
deberías encuestarlos a todos, pero te tomaría mucho tiempo. Lo que haces es
reunir las respuestas de solo un grupo de pilotos y, según los resultados, deducir la
cifra promedio.
 4. VARIABLES CUALITATIVAS

4.1. Variables estadísticas

Las variables estadísticas son características o cualidades de una persona, animal

u objeto, las cuales puedes medir. Por ejemplo: la edad, la estatura, el peso o la
altura de un edificio.

Cada uno de estos números representa una variable y, como su nombre lo indica,
puede cambiar y adquirir diferentes valores.

4.2. Tipos de variables

Hay dos tipos de variables que se utilizan en el análisis e interpretación de datos:

• Variables cualitativas: son características de un individuo u objeto,

que se pueden expresar con palabras. Algunos ejemplos son: el
color de ojos, el color del cabello, el género, el estado civil o la
marca de un producto.

• Variables cuantitativas: son aquellas características de un objeto

o individuo que se pueden escribir en números. Por ejemplo: edad,
ingresos, peso, altura, presión, humedad o cantidad de hermanos.

A su vez, las variables cuantitativas se dividen en discretas y continuas.

• Variables discretas: son aquellas que no aceptan un valor entre

dos números consecutivos. Si tienes los datos 1, 2, 3, 10, 11 y 15,
entre el 1 y 2 no puede aparecer el 1.48, porque del 1 salta
directamente al 2. Generalmente, las variables discretas son
resultado de un conteo y no permiten los números decimales. Por
ejemplo: número de pacientes, número de alumnos, número de
motos por modelo.
 • Variables continuas: son aquellas que pueden tomar cualquier
valor entre dos intervalos o números. Por ejemplo, si necesitas
escribir la estatura de un grupo de basquetbolistas, seguramente,
no podrás utilizar los números 1 y 2, pero si las variables 1.78,
1.65, 1.45, porque la altura suele expresarse de esa manera.

Las variables continuas también se utilizan para medir el tiempo transcurrido, la

temperatura, el peso o la distancia entre dos puntos.

4.3. ¿Qué son las variables cualitativas?

Una variable cualitativa es un tipo de variable estadística que describe las
cualidades, circunstancias o características de un objeto o persona, sin hacer uso
de números.
De esta manera, las variables cualitativas permiten expresar una característica,
atributo, cualidad o categoría no númerica. Por ejemplo, el sexo de una persona es
una variable cualitativa, ya que es masculino o femenino.

4.4. Características de las variables cualitativas

Algunas características notables de la variable cualitativa son las siguientes:

• No se puede medir numéricamente.

• No otorga datos específicos y a veces tampoco un orden.
• Especifica una condición, cualidad o característica.
• Cuando los valores de dicha variable son solamente dos, se
llama dicotómica.
• Cuando distingue tres valores o más, se la llama politómica.

4.5. Tipos de variables cualitativas

La variable cualitativa puede ser nominal, ordinaria o binaria.
Las variables cualitativas se clasifican en nominal, ordinaria y binaria.
 4.5.1. Nominal
Variable que no es representada por números ni tiene algún tipo de orden, y por lo
tanto es matemáticamente menos precisa.
Por ejemplo, son variables nominales los colores: negro, azul, rojo, amarillo,
naranja, etc.

4.5.2. Ordinaria
La variable cualitativa ordinaria, también conocida como variable cuasicuantitativa,
es representada por una modalidad que no requiere números pero sí consta de un
orden o un puesto.
Por ejemplo, el nivel socioeconómico: alto, medio, bajo.

4.5.3. Binaria
La variable cualitativa binaria trabaja con valores específicos del tipo binario.
Por ejemplo, el sexo de una persona será masculino o femenino.
 5. NOMINALES

La palabra nominal se refiere al nombre, o todo lo que a al nombre se refiere. Por

ejemplo un cheque nominal es aquel que solo permite ser cobrado por la persona
en él designada.

También se llama nominal a aquello que no tiene una existencia real y solo posee
un nombre, tal el caso de personajes de fantasía, o de personas que ocupan cargos
de nombre pero sin ejercicio real de los mismos, aunque también puede designar la
lista real de nombres de postulantes a un empleo, o a los nombres de los empleados
mismos de un lugar.

En Gramática, los predicados nominales son aquellos en que su núcleo es un verbo

copulativo. Estos son, en español, los verbos ser, estar y parecer, que asignan un
atributo. Se diferencian de los predicados verbales, cuyo núcleo es un verbo. Las
oraciones que poseen predicados nominales, se llaman copulativas o atributivas,
donde los verbos mencionados funcionan como cópula o enlace. Si bien el núcleo
de la oración sigue siendo el verbo, el núcleo semántico o de significado es un
nombre, pues los verbos de estos predicados nominativos aparecen vacíos de
significación. Las que tienen predicado con verbos diferentes a los mencionados,
se denominan oraciones predicativas Ejemplo de oración con predicado nominal:
La casa es cómoda. Las ventanas parecen gigantescas, pero seguras.

En Economía, se denominan acciones nominales, a aquellas que emiten las

Sociedades Anónimas, como representativas del capital accionario de su titular, que
aparece con su nombre en los títulos respectivos, así como en los registros
societarios. Se transfieren con formalidades especiales, y con autorización del
Directorio.

El valor nominal de los títulos es aquel por el cual se emiten sin importar el valor
real que tengan en una determinada fecha. Se trata de un valor teórico, que posee
incluida la inflación. si consideramos por ejemplo, el producto bruto interno (PBI) el
valor nominal contiene incluido en aumento en la producción, y también el del precio
de los productos.

Este concepto es muy usado en las ramas de la economía y las fianzas. El valor
nominal es el valor que se le asocia a un bien o un título que es proporcionado por
un emisor, debe estar expuesto de manera explícita en el texto del propio título.
El valor nominal es una cantidad en dinero que el propietario asigna al título o valor
que representa la suma que recibió a cambio del mismo.

Valor nominal de un bien: es el valor que el propietario o vendedor asigna a dicho

bien y puede estar sujeto a aplicación de tasas, intereses, impuestos etc.
Valor nominal de un título: respecto a un título y su valor nos referimos a acciones
o bonos del Estado que se comercializan en el mercado de valores. El valor
nominal indica el valor del mismo, el valor de emisión que tienen dichas acciones.
Surgen de dividir el capital de la sociedad por el número de acciones de la misma:
Valor nominal de un título = Capital de la sociedad / N.º de acciones.
Se suelen confundir los conceptos de valor real con valor nominal, no son lo mismo.
Si nos referimos a valor nominal estamos hablando del precio de referencia que se
utiliza para la emisión de títulos. El valor real tiene en cuenta el efecto de inflación.
El proceso a través del cual se convierte un valor nominal a términos reales se
denomina ajuste por inflación.
De esta forma los valores reales son una excelente medida del poder adquisitivo
neto, sin importar los cambios de precios a lo largo del tiempo.
Nominal también puede asociarse a salario. El salario real está dado por la cantidad
de bienes que un trabajador puede adquirir con el volumen de dinero que recibe por
su actividad. El salario nominal representa el volumen de dinero asignado por el
cargo que ocupa el trabajador.
Esta distinción nos permite diferenciar un aumento real o nominal del salario. Si un
trabajador recibe un aumento del 10% de su salario real y la inflación es de 15%, su
capacidad de compra seguirá disminuyendo.
Por otro lado el tipo de interés nominal hace referencia a la rentabilidad que brinda
un producto financiero de manera periódica.
Ejemplo: realizamos un depósito a dos años con un tipo de interés nominal del 5%
por un valor de 1.000 dólares, al finalizar el periodo el interés alcanzará los 100
dólares.
El valor nominal, es el valor que su propietario le atribuye a un bien, sin considerar
efectos como la inflación o las condiciones específicas del mercado. En el mercado
financiero, corresponde al valor que tuvo al momento de su emisión un determinado
título, es decir, su costo original, que puede diferir al valor real que tenga en la bolsa,
ya que aquello será determinado por el mercado; la oferta y la demanda.
 6. ORDINALES

6.1. ¿Qué son los datos ordinales?

Los datos ordinales son un tipo estadístico de datos cuantitativos en los que existen
variables en categorías ordenadas que se producen de forma natural. La distancia
entre dos categorías no se establece utilizando datos ordinales.

En estadística, un grupo de números ordinales se representan usando una escala

ordinal. La principal diferencia entre los datos nominales y ordinales es que los
ordinales tienen un orden de categorías mientras que los nominales no.

Conoce más de la escala Nominal y la escala Ordinal

La escala Likert es un ejemplo popular de datos ordinales. Para una pregunta como:
«Por favor exprese la importancia que tiene el precio al comprar un producto», una
escala Likert tendrá las siguientes opciones que están codificadas a 1,2,3,4 y 5
(números). 1 es menor que 2, que es menor que 3, que es menor que 4, que a su
vez es menor que 5.

Muy importante Importante Neutral Irrelevante Muy irrelevante

1 2 3 4 5

Por lo tanto, los datos ordinales son un conjunto de variables ordinales, es decir, si
tiene variables en un orden particular – «bajo, medio, alto», pueden representarse
como datos ordinales.

Hay dos factores importantes a considerar para los datos ordinales:

 • Hay múltiples términos que representan el «orden» como «Alto, Superior,
Máximo» o «Satisfecho, Insatisfecho, Extremadamente Insatisfecho».
• La diferencia entre las variables no es uniforme.

Conoce otros tipos de niveles de Medición.

6.2. Análisis de datos ordinales

Métodos sencillos para el análisis de datos ordinales: Los datos ordinales se

presentan en un formato tabular que facilita el análisis al investigador. También se
utilizan gráficos de mosaicos para establecer la relación entre los datos nominales
y ordinales.

Prueba U de Mann-Whitney: Para comparar dos grupos de datos ordinales, se debe

utilizar la prueba Prueba U de Mann-Whitney. Esta prueba permite a un investigador
concluir que una variable de una muestra es mayor o menor que otra variable
seleccionada al azar de otra muestra.

Prueba de Kruskal-Wallis: Para comparar más de dos grupos ordinales, se debe

utilizar la prueba Prueba de Kruskal-Wallis. En esta prueba, no se asume que los
datos provengan de una fuente en particular. Esta prueba concluye si la media de
dos o más grupos es variada. Esto mostrará la diferencia entre más de dos grupos
de datos ordinales.

Ejemplos de datos ordinales

• En una escuela con 3000 estudiantes, hay varias categorías: estudiantes de

primer, segundo, tercer y cuarto año. Después de que el término comience,
este es el conteo de cada categoría:
o 1000 – Estudiantes de primer año
o 800 – Estudiante de segundo año
o 750 – Juniors
 o 450 – Mayores

• Una organización lleva a cabo trimestralmente una encuesta de satisfacción

de empleados donde destaca principalmente esta pregunta: «¿Qué tan feliz
eres con tu gerente y tus compañeros?»
o Extremadamente feliz – 1
o Feliz – 2
o Neural – 3
o Infeliz – 4
o Extremadamente infeliz – 5

6.3. ¿Qué es una variable ordinal?

Una variable ordinal es aquella que toma valores que pueden ordenarse (o denotan
un orden). Por ejemplo, la variable estatura de una persona se puede clasificar en:
alto, promedio y bajo.

Una escala ordinal, además de identificar, agrupar y diferenciar las unidades de

estudio, como una variable nominal, también describe la magnitud y, por ello, se
caracteriza por el ordenamiento; es decir, las unidades de estudio se pueden
ordenar de forma creciente o decreciente en términos de la magnitud.

En esta escala se habla de primero, segundo, tercero, o de alto, mediano, bajo; pero
no se establece medida entre las clases. Por ejemplo: la variable calificación en un
test de satisfacción por un servicio prestado, se puede medir en cuatro categorías:
insatisfecho, indiferente, satisfecho, muy satisfecho.

Se puede ordenar de acuerdo a la satisfacción manifestada, pero no se sabe cuan

diferente es satisfecho de muy satisfecho, tampoco se sabe si la diferencia entre
insatisfecho e indiferente es la misma que entre satisfecho y muy satisfecho.
La escala ordinal se refiere a mediciones que solo hacen comparaciones “mayores”,
“menores” o “iguales” entre mediciones consecutivas. Representa una clasificación
u ordenamiento de un conjunto de valores observados.

6.4. Concepto de la variable ordinal y características

En una escala ordinal, las observaciones se colocan en un orden relativo con

respecto a la característica que se evalúa. Es decir, las categorías de datos están
clasificadas u ordenadas de acuerdo con la característica especial que poseen.

Si utilizamos números, la magnitud de estos representa el orden del rango del

atributo observado. Solo las relaciones “mayor que”, “menor que” e “igual a” tienen
significado en una escala de medición ordinal.

Desde el punto de vista matemático, y al igual que las escalas nominales, las
escalas ordinales solo admiten el cálculo de proporciones, porcentajes y razones.

La medida de tendencia central que mejor explica una variable ordinal es la

mediana, que es el valor que se ubica en el centro del conjunto de datos ordenados
de menor a mayor.

Cuando los objetos se clasifican por una característica, es posible establecer qué
objeto tiene más o menos de la característica comparada con otro; pero no se puede
cuantificar la diferencia.

Por ejemplo, tres objetos que se han ordenado como ‘primero’, ‘segundo’ y ‘tercero’,
teniendo en cuenta alguna característica. El segundo lugar se diferencia del primero
en una cantidad que no es necesariamente igual a la cantidad en que difiere del
tercer lugar.
Algunos ejemplos de variables ordinales:

– Clase social (A – Alta; B – media alta; C – media; D – baja; E – muy baja).

– Notas escolares cualitativas (I – insuficiente; A – aceptable; B – bueno; S –

sobresaliente; E – excelente).

– Grados militares (General, Coronel, Teniente Coronel, Mayor, Capitán, etc.).

– Grado de escolaridad (primaria, bachillerato, técnico profesional, tecnólogo,

universitario, etc.).

– Etapa de desarrollo de un ser humano (recién nacido, bebe, niño, joven, adulto,
anciano).

– Clasificación de películas (A – Todo público; B – mayores de 12 años; C – mayores

de 18 años; D – Mayores de 21 años).

– Madurez de una fruta (verde, pintona, madura, muy madura, podrida).

– Grado de satisfacción con la prestación de un servicio público. (Muy satisfecho;

Satisfecho; Indiferente; etc.).
 7. VARIABLES CUANTITATIVA

El símbolo que aparece en proposiciones, algoritmos, fórmulas y funciones y que

adopta distintos valores recibe el nombre de variable. De acuerdo a sus
características, se puede distinguir entre diferentes clases de variables.

Las variables cuantitativas son aquellas que adoptan valores numéricos (es decir,
cifras). De este modo se diferencian de las variables cualitativas, que expresan
cualidades, atributos, categorías o características.

La altura de un individuo es una variable cuantitativa continua.

7.1. La variable cuantitativa según la etimología

Es importante en este punto que procedamos a conocer el origen etimológico de las

dos palabras que dan forma al término que nos ocupa:

-Variable procede del latín, en concreto deriva de “variabilis”, que puede traducirse
como “que puede cambiar de aspecto”. Es fruto de la suma de dos componentes: el
verbo “variare”, que es sinónimo de “cambiar de aspecto”, y el sufijo “-able”, que se
usa para indicar posibilidad.

-Cuantitativa, por su parte, procede del latín también y está conformada por la unión
de varios elementos de dicha lengua: “quantum”, que es equivalente a “cuanto”, y
el sufijo “-tivo”. Este se emplea para venir a dejar constancia de una relación pasiva
o activa.

7.2. Clasificación según el tipo

En el conjunto de las variables cuantitativas, también podemos reconocer varios

tipos de variables. Las variables cuantitativas continuas pueden adoptar cualquier
valor en el marco de un determinado intervalo. De acuerdo a la precisión del
instrumento que realiza la medición, pueden existir otros valores en el medio de dos
valores. La alturade una persona, por ejemplo, es una variable cuantitativa continua
(pueden ser valores como 1,70 metros; 1,71 metros; 1,72 metros, etc.).

En lo que respecta a las variables cuantitativas continuas, podemos establecer que

otros sencillos ejemplos serían la masa de un objeto cualquiera o la altura que tiene
un edificio.

La cantidad de perros que tiene una persona es un ejemplo de variable cuantitativa

discreta.

Las variables cuantitativas discretas, en cambio, adquieren valores que

están separados entre sí en la escala. Dicho de otro modo: no existen otros valores
entre los valores específicos que la variable adquiere. La cantidad de mascotas que
tiene una persona es una variable cuantitativa discreta: una mujer puede
tener 2, 3 o 4 perros, pero nunca 2,5 o 3,25 perros. En este caso, 2 y 3son valores
que la variable está en condiciones de adoptar, sin que exista ningún otro valor
posible en el medio de ambos.

Otros ejemplos de variables cuantitativas discretas pueden ser estos:

-El número de hijos que tiene una persona.

-El número de animales que posee un ganadero.

-El conjunto de vehículos que existen en un concesionario.

7.3. Usos y representación gráfica de las variables cuantitativas

Ambos tipos de variables cuantitativas pueden combinarse en una encuesta o en

una entrevista. Al aspirante a un puesto laboral se le puede preguntar cuánto pesa
(variable cuantitativa continua) y cuántos hijos tiene (variable cuantitativa discreta).

Además de todo lo expuesto es importante conocer otra serie de datos interesantes

acerca de las variables cuantitativas, como son los siguientes:

-Por regla general, a la hora de graficarlas, se opta por hacer uso de los diagramas
integrales y los diagramas diferenciales, que son los que usan para mostrar las
llamadas frecuencias relativas.

-De la misma manera, también se puede recurrir a emplear lo que son los diagramas
de barras.

7.4. ¿Qué es una variable cuantitativa?

Si debes realizar un proyecto de investigación, como una tesis, será necesario que
domines ciertos conceptos, y uno de ellos es el de variable cuantitativa. Aquí te
explicaremos qué es, qué tipos existen y te mostraremos ejemplos de cómo
aplicarla. Además, encontrarás la ayuda que necesitas para terminar tus proyectos
en tiempo y forma. ¡Comencemos!

7.5. ¿Qué es una variable?

Antes de abordar de lleno el concepto de variable cuantitativa, es preciso definir qué

significa variable. Como su nombre lo indica, es un elemento que está sujeto a
modificaciones, en otras palabras, que puede variar.
Trasladando el concepto a una investigación, se configura como un aspecto de
interésque, generalmente, puede ser intervenido por el investigador para generar
una configuración distinta. Esto puede sonar extraño, pero lo aclararemos con un
ejemplo.
Pensemos en las vacunas contra el covid-19. Los científicos que desarrollaron las
vacunas modificaron su composición química hasta dar con la configuración
adecuada para que prevenga el virus. La composición química es, en efecto, una
variable.
Pero entonces, ¿a qué se llama variable cuantitativa?

7.6. ¿A qué se refiere la característica de cuantitativa?

Se llama variable cuantitativa a una configuración específica de la variable que tiene

una particularidad: puede ser medida en números.
Veamos algunos ejemplos de variables cuantitativas. En un censo poblacional, se
solicita mucha información que puede ser incluida dentro de esta categoría. Aquí
podemos enumerar la cantidad de personas que habitan en la vivienda, las edades
de los habitantes, cantidad de habitaciones de la casa, entre otras cosas.
Como puedes ver, una investigación puede adoptar esta configuración para obtener
resultados cuantificables, traducibles a números. Esto permite, luego de un análisis
de los datos obtenidos, desarrollar estadísticas.
Así, a partir de un censo, se obtiene información que, posteriormente, ayudará a la
toma de decisiones políticas.
Ahora conoceremos los dos tipos de variables cuantitativas que existen.
Tipos de variables cuantitativas con ejemplos
Existe una subclasificación dentro de las variables cuantitativas que admite dos
tipos de valores posibles: discretas y continuas.

• Variables cuantitativas discretas: se llama así cuando los valores

admitidos son exclusivamente números enteros. Esto implica que los
decimales quedan fuera de la ecuación. Un ejemplo de este tipo de variable
cuantitativa discreta es el censo poblacional, en el cual no puede haber 3,5
habitantes en una casa. En este sentido, habrá 3 o 4.
 • Variables cuantitativas continuas: contrariamente al caso anterior, aquí se
admiten números intermedios e infinitos. A modo de ejemplo de una variable
cuantitativa continua podemos mencionar el peso de una persona o su altura.
Valores que, si bien pueden ser números enteros, también pueden adoptar
formatos decimales.
En este punto sabes todo sobre las variables cuantitativas, pero aún queda algo por
decir.

7.7. Diferencia entre variable cuantitativa y cualitativa

Mientras que la variable cuantitativa expresa cantidades numéricas, la cualitativa

hace lo propio con categorías, características o cualidades.
Esta diferencia impacta directamente en la forma de medición que puede usarse en
cada caso. Mientras que las primeras pueden ser convertidas en valores
estadísticos, en las segundas, la tarea es un poco más difícil.
Otra diferencia es que las primeras suelen expresar valores específicos y se
encargan de determinar la correlación que existe entre las variables. Mientras que
las segundas se caracterizan por ser relativas y por profundizar en la naturaleza del
fenómeno estudiado.
Ahora sí, hemos llegado al final y esperamos que esta información te haya resultado
útil. Sin lugar a dudas, trabajar con variables, ya sean cuantitativas o cualitativas,
es una tarea que requiere investigación y práctica. De hecho, si necesitas ayuda
con eso, puedes contar con nosotros. Sigue leyendo para saber más.

7.8. ¿Necesitas ayuda con las variables de tus investigaciones?

En Tesis y Másters contamos con un equipo de especialistas en investigación y

redacción académica. Esto nos permite ayudar a estudiantes a superar cualquier
tipo de dificultadque tengan en la elaboración de sus proyectos.
¿Cómo trabajamos? Ofrecemos diferentes tipos de servicios totalmente
personalizables. Estos son:
Asesorías: consiste en una charla con un profesional de tu área de estudio, que te
permitirá evacuar las dudas que te genere tu proyecto. Ya sea con respecto a las
variables cuantitativas o cualquier otra inquietud que tengas.
Correcciones: antes de entregar un trabajo, muchos estudiantes recurren a nosotros
para que revisemos su ortografía, contenido y nivel de plagio.
Redacción: si tienes demasiados problemas o no tienes tiempo para presentar tu
trabajo en tiempo y forma, nos encargaremos de hacerlo para ti. Solo deberás
compartir la consigna y los requisitos con nosotros, y te entregaremos un documento
terminado totalmente original y de la máxima calidad.
Por supuesto, operamos de manera estrictamente confidencial, lo que nos permite
garantizarte la protección total de tu identidad.
 8. DISCRETA

Las variables son símbolos que pueden adquirir distintos valores y que aparecen en
fórmulas, algoritmos, funciones y proposiciones de las matemáticas y la estadística.
Según sus particularidades, se clasifican de distinto modo.

Hay variables aleatorias, variables dependientes, variables

independientes, variables cualitativas, variables cuantitativas y variables continuas,
entre otras. En esta ocasión haremos referencia a las variables discretas.

La cantidad de automóviles que posee un individuo es una variable discreta: se

pueden tener uno, tres o cinco autos, pero no 1,4 o 3,8.

8.1. Concepto de variable discreta

Es interesante conocer el origen etimológico de las dos palabras que le dan forma
al término que ahora nos ocupa:

-Variable deriva del latín, más exactamente de “variabilis” que es fruto de la suma
de dos elementos de dicha lengua: el verbo “variare”, que puede traducirse como
“cambiar de aspecto”, y el sufijo “-able”, que se usa para indicar “posibilidad”.

-Discreta, por otro lado, procede también del latín. En su caso es el resultado de la
unión de otros dos componentes: el prefijo “dis-“, que viene a utilizarse para
puntualizar “separación”, y el verbo “cernere”, que puede traducirse como “separar”
o “cribar”.

Una variable discreta es aquella que está en condiciones de adoptar valores de

un conjunto numérico dado. Es decir: solo adquiere valores de un conjunto, no
cualquier valor.
Entre los valores potencialmente observables de una variable discreta existe una
distancia que resulta imposible de “completar” con valores intermedios. Por lo tanto,
entre dos valores hay, al menos, un valor que no es observable.

El número de hijos de una mujer es una variable discreta.

El número de automóviles que tiene una persona es una variable discreta.

Un hombrepuede tener, por ejemplo, un automóvil, dos automóviles o tres
automóviles, por citar algunas posibilidades. Pero no puede tener 1,6
automóviles ni 2,8 automóviles.

En un sentido similar, la cantidad de hijos de una mujer también es una variable

discreta. Se pueden tener 2, 4 o 6 hijos, nunca 2,1 o 5,78 hijos.

Otros muchos son los ejemplos de variables discretas que se pueden utilizar para
poder entenderlas. En concreto, entre esos se hallan los siguientes:

-El género del ser humano, que será femenino o masculino.

-El número de estudiantes que existe en una clase. Y es que puede haber 15, 20 o
30 alumnos, pero no 15,3 o 20,8.

-La cantidad de faltas que se pueden pitar por el árbitro en un partido de fútbol.

-El número de canales de radio o televisión que se tiene en casa.

-El número de trabajadores que da forma a la plantilla de una empresa.

8.2. Variables discretas vs. variables continuas

En cambio, las variables continuas pueden adquirir cualquier valor en un intervalo,

existiendo siempre otros valores intermedios entre dos valores observables. La
existencia de más o menos valores depende de la precisión de la medición. Por
ejemplo: la altura de un niño puede ser 1,2 metros, 1,24 metroso 1,249 metros de
acuerdo a cómo se mida. Esto implica que se registran ciertos errores de medición.

Por el contrario, en lo que respecta a las variables continuas, podemos hacer uso
de otros ejemplos para entenderlas:

-El peso que tiene un hombre o una mujer.

-El peso de los melocotones que se han comprado en el mercado.

-La velocidad que alcanza un coche.

-El ancho que tiene la cintura de una persona.

8.3. Variable discreta

En este post encontrarás el significado de variable discreta. Aquí se muestran qué

son las variables discretas, varios ejemplos de variables discretas y, además, cuál
es la diferencia entre una variable discreta y una continua.

8.4. ¿Qué es una variable discreta?

En estadística, una variable discreta es un tipo de variable que no puede tomar

algunos valores, es decir, una variable discreta solo puede tomar un número finito
de valores entre dos valores cualesquiera.

Por ejemplo, el número de personas en una habitación es una variable discreta

porque no puede haber 3,92 personas, la variable solo puede ser un número entero
(3, 8, 5…).

Así pues, las variables discretas solo pueden ser un número contable de valores. A
diferencia de las variables continuas que pueden tomar un número infinito de
valores. Más abajo veremos cuáles son todas las diferencias entre estos dos tipos
de variables.

Además, las variables discretas forman parte de las variables cuantitativas, pues
representan valores numéricos.

Ejemplos de variables discretas

Una vez hemos visto la definición de variable discreta, veamos ahora varios
ejemplos de este tipo de variables estadísticas para asimilar mejor el concepto.

• El número de camas de una habitación: 1, 3, 2…

• El número de hijos en una familia: 4, 2, 1, 0, 5…

• Los posibles resultados del lanzamiento de un dado: 1, 2, 3, 4, 5 o 6.

• Los goles marcados por un equipo de fútbol durante un partido: 1, 2,

4, 5…

• La cantidad de trabajadores de una empresa: 54, 29, 158, 561, 302…

• El número de palabras de una página: 591, 863, 400, 359, 525…

• El número de asignaturas de un alumno: 6, 7, 9, 10…

• El número de camisetas en un armario: 9, 19, 4, 13, 10…

8.5. Variable discreta y variable continua

Dos tipos de variables que suelen confundirse son las variables discretas y las
variables continuas, de modo que en este apartado veremos en qué se diferencian
estos dos conceptos estadísticos.
La diferencia entre una variable discreta y una variable continua es el número de
valores que pueden tomar. Una variable continua puede tomar cualquier valor, en
cambio, una variable discreta no acepta cualquier valor sino que solo puede tomar
un número contable de valores.

Una manera de diferenciar las variables continuas de las variables discretas es

mediante el tipo de números que pueden valer. Normalmente, una variable continua
puede tomar cualquier valor incluyendo números decimales, mientras que las
variables discretas solo pueden tomar números enteros. Ten en cuenta que este
truco no se cumple en todos los casos, pero en la gran mayoría sí.

Si aún no tienes claro qué significa una variable continua, haz clic aquí para ver
varios ejemplos de este tipo de variable:
 9. CONTINUAS

Se denomina variable a un símbolo que actúa en las proposiciones, las fórmulas,

las funciones y los algoritmos de la estadística y de las matemáticas y que tiene la
particularidad de poder adoptar diferentes valores.

De acuerdo a sus características, es posible hablar de distintos tipos de variables,

como las variables cuantitativas, las variables cualitativas, las variables
independientes, las variables dependientes y las variables aleatorias. En esta
oportunidad, nos centraremos en las variables continuas.

9.1. Qué es una variable continua

Una variable continua es aquella que puede adoptar cualquier valor en el marco de
un intervalo que ya está predeterminado. Entre dos de los valores, siempre puede
existir otro valor intermedio, susceptible de ser tomado como valor por la variable
continua.

Estas particularidades diferencian a la variable continua de la variable discreta, que

solo puede adquirir un valor de un conjunto de números. Existen separaciones entre
los valores sucesivos que pueden observarse: es decir, que no se “llenan” con otros
valores intermedios.

Una persona puede tener uno o dos televisores, pero nunca uno y medio; sin
embargo, si hablamos de tazas de azúcar, entre una y otra existe un gran número
de valores intermedios, que aparecen a medida que agregamos granos.
 9.2. La importancia del instrumento de medición

Las variables continuas, en teoría, no se pueden medir con absoluta exactitud: el

valor que se observa depende del instrumento empleado para la medición.
Consideremos las variables continuas a partir del peso de una persona. Puede
pesar 78,5 kilogramos, 78, 54 kilogramos o 78, 546 kilogramos de acuerdo a la
exactitud de la balanza. El ejemplo revela que, al trabajar con variables continuas,
hay que aceptar la existencia de un error de medición que se debe tratar de
minimizar, ya que implica una diferencia entre el valor verdadero y el valor medido.

Es importante resaltar que siempre hay errores de medición, ya que esto es algo
inherente a los instrumentos de medición; sin embargo, en cada caso pueden existir
causas diferentes. Por otro lado, es posible anticiparse a algunos de ellos, y de este
modo intentar reducir su impacto a través de procedimientos como la calibración y
la compensación.

La exactitud en la medición es algo tan relativo como los errores, ya que depende
en gran parte de las intenciones del sujeto que la lleva a cabo: cuando compramos
alimentos en el mercado no nos interesa saber si el peso que indican los paquetes
es exacto, sino que nos conformamos con que los fabricantes no intenten
engañarnos dándonos una cantidad considerablemente menor.

¿Todas las bolsas de 1 kilogramo de arroz tienen la misma cantidad de granos y

pesan exactamente lo mismo? Pues la primera respuesta es posible responderla,
ya que para ello basta con contar los granos; sin embargo, la segunda acarrea el
problema de los erroresde medición, ya que según la balanza utilizada podríamos
decir que sí o que no.
 9.3. Los límites de una variable continua

Cuando trabajamos con variables continuas nos importan especialmente los límites,
que podemos llamar «mínimo» y «máximo», y el margen de error, el cual también
se debe aplicar para saber si hemos alcanzado dichos puntos. Habiendo establecido
esta estructura, es posible aprovechar este concepto para realizar un sinfín de
trabajos.

En la programación de videojuegos, por ejemplo, el concepto de variable continua

puede aparecer en diversos casos, como ser la aceleración de los personajes u
objetos: siempre es necesario contar con un rango de posibles valores, tales como
la velocidad mínima y la máxima, entre las cuales aparecen muchos otros, cuya
precisión se determina según los recursos de la máquina.

Cuanto mayor sea la precisión, que en este caso podría estar vinculada a la cantidad
de decimales, más fluida será la representación gráfica en pantalla, ya que los
ajustes realizados para ubicar los objetos no podrán ser percibidos con facilidad por
parte de los jugadores.

9.4. ¿Qué es una variable continua?

Una variable continua es un tipo de variable cuantitativa que puede expresar una
cantidad infinita de valores, sin importar que sea un valor intermedio. Es decir, es
aquella variable cuyo valor puede encontrarse entre dos valores exactos,
generalmente representados por números decimales.
Esta variable estadística se contrapone a la variable discreta, que solo puede
adquirir como valor un conjunto de números. Una persona tiene un perro, 2 camas
o 3 hijos (variable discreta), pero nunca tendrá 2 y medio.
Sin embargo, si hablamos de tazas de sal, podríamos decir que tenemos una taza
y media de sal; así también que algo mide 1 metro 82 centímetros o que se demora
1:15 horas en entregar un pedido. Estas son variable continuas.
La variable continua es infinitesimal, y por esto sirve para medir y presentar los
valores con mayor exactitud. Además, una variable continua puede incluir valores
exactos, por ejemplo una taza de sal o una taza y media de sal.

Ejemplos de variables continuas

Para entender mejor este concepto, veamos los siguientes ejemplos de variables
continuas:

• La longitud de una pieza: un metro y medio (1,5); dos metros y

cuarto (2,25): tres metros quince (3,15).
• La altura de cinco amigos: 1.73, 1.82, 1.77, 1.69, 1.75.

9.5. Variable continua

Las variables continuas son variables numéricas que tienen un número infinito de
valores entre dos valores cualesquiera. Una variable continua puede ser numérica
o de fecha/hora. Por ejemplo, la longitud de una pieza o la fecha y hora en que se
recibe un pago.

Si usted tiene una variable discreta y desea incluirla en un modelo de regresión o

de ANOVA, puede optar por tratarla como un predictor continuo (covariable) o un
predictor categórico (factor). Si la variable discreta tiene muchos niveles, puede ser
mejor tratarla como una variable continua. Cuando un predictor es tratado como una
variable continua, una función lineal o polinómica simple puede describir
adecuadamente la relación entre la respuesta y el predictor. Cuando usted trata un
predictor como una variable categórica, un valor de respuesta diferente se ajusta a
cada nivel de la variable sin tener en cuenta el orden de los niveles del predictor.
Considere esta información, además del propósito del análisis, para decidir qué es
lo mejor para su situación.
 10. REPRESENTACIÓN GRÁFICA

La representación gráfica de datos estadísticos tiene como objetivo ofrecer una

visión de conjunto del hecho sometido a investigación, de una manera más directa
y perceptible que la mera presentación de los datos numéricos. Por ello, las
representaciones gráficas son un medio eficaz para análisis de las estadísticas ya
que las regularidades se recuerdan y aprecian con más facilidad cuando se
examinan gráficamente. Pero no dejan de ser un método auxiliar, ya que la
interpretación de un diagrama siempre es subjetiva.

También se pueden usar como avance o para llamar la atención del experimentador
sobre los elementos más destacables de los datos o poner de manifiesto alguna
relación inesperada. También son útiles para expresar los resultados en forma
visible después de haber realizado un análisis.

Los gráficos se han de explicar por sí mismos, ya que frecuentemente los lectores
no leen el texto de un informe detalladamente. También es conveniente que los
gráficos vayan acompañados de un texto aclaratorio tan específico como sea
posible.

Las representaciones gráficas pueden usar sistemas geométricos de

representación o símbolos alusivos. Estos últimos no buscan una rigurosa exactitud,
sino impresionar a las personas a las que van dirigidos.

El sistema de representación más usual es el cartesiano. En el eje horizontal de

abcisas, por convenio, se representan los valores positivos de la escala a la derecha
y a la izquierda los negativos. En el eje vertical de ordenadas, los valores positivos
se representan hacia arriba y los negativos hacia abajo.
Las representaciones estadísticas se realizan, en su inmensa mayoría en el primer
cuadrante de los cuatro, arriba a la derecha.

10.1. Gráficos de variable cualitativa

Si el resultado de observación de un elemento de la muestra no es una medida, sino

una cualidad o atributo no medible, la variable de estudio es una variable cualitativa.

Las representaciones gráficas más usuales para variables cualitativas son:

- Diagrama de rectángulos

- Diagrama de sectores

- Pictograma

- Perfil ortogonal

- Cartograma

- Perfil radial

10.2. Diagrama de rectángulos

Es una representación cartesiana, en la que en el eje de abcisas figuran las

distintas modalidades o atributos y en el eje de ordenadas los valores de las
correspondientes frecuencias, levantando rectángulos de áreas proporcionales a
las frecuencias absolutas. Los rectángulos tendrán de base la unidad y de altura la
frecuencia absoluta de cada valor. Los rectángulos no tienen porque ir solapados.
En abscisas las modalidades y en ordenadas los valores numéricos. Si se hace en
una hoja de cálculo, como Excel y Calc, se colocan en una columna las
modalidades y en otra los valores numéricos, y se construye el gráfico, que a
veces en vez de denominarse de barras (estas son horizontales), se denomina de
columnas.

10.3. Diagrama de sectores

Es la representación en un círculo, mediante sectores circulares de las distintas

modalidades de un carácter. Para construirlo, las áreas de los sectores han de ser
proporcionales a las frecuencias de cada modalidad. Para ello hay que hacer
corresponder 360º a la suma de todas las frecuencia, efectuando luego la
correspondiente proporcionalidad.

El procedimiento consiste en hacer corresponder los 360º del círculo a la suma total
de las frecuencias. En este caso, se haría corresponder los 360º con 41 que es la
suma total.
Una simple regla de tres nos indicaría cuantos grados corresponderían al número
de anfibios y así con cada una de las otras modalidades:

360 -------- 51
x -------- 7

x = (7 x 360)/51 = 49,41º

Si se hace en una hoja de cálculo, como Excel y Calc, se colocan en una columna
las modalidades y en otra los valores numéricos, y se construye el diagrama de
sectores, como gráfico circular.

10.4. Pictogramas

Son una representación gráfica que utiliza un dibujo alusivo a la distribución

estudiada. La altura del dibujo ha de ser proporcional a la frecuencia.
Otra forma de representación es tomar un dibujo estándar, repitiéndolo un número
de veces proporcional a la frecuencia.

Los pictogramas deben comparar magnitudes relativas, ya que un aumento no

proporcional en el tamaño del objeto puede dar una impresión no correcta. Por
ejemplo, queremos representar que el ganadero A tiene una vaca y el ganadero B
tiene dos. Si ponemos en el ganadero A una vaca y en el ganadero B dos estaría
bien representado, pero si ponemos en el ganadero A una vaca y en el ganadero B
una vaca con el doble de altura, no estaríamos representando 2 vacas sino 4. Por
tanto, hay que ser cautos en este sentido.

10.5. Perfil ortogonal

Es una representación utilizada frecuentemente en Pedagogía y Psicología. Se

representan en abcisas las distintas modalidades y en ordenadas los valores de
esas modalidades.
Ejemplo:

Las calificaciones de un alumno de Ciencias Ambientales han sido las siguientes: 5

en Geología, 4 en Química, 3 en Física, 8 en Estadística, 7 en Botánica y 6 en
Zoología. Representar su perfil ortogonal.

10.6. Cartogramas

Se usan, entre otros, en estudios geográficos y ecológicos. Es una representación

del carácter estudiado sobre mapas. Las distintas modalidades que adopta el
carácter se representan sobre el mapa con distintos colores o colores de distinta
intensidad, o con distintos punteados.

10.7. Perfil radial

Consiste en tomar un punto cualquiera como punto de partida y a partir de él trazar

tantos radios como modalidades se tengan, todos ellos formando ángulos de la
misma amplitud. Sobre estos resultados se toma una distancia al centro
proporcional a la frecuencia de cada modalidad. Uniendo los puntos extremos
obtenidos, se obtiene un polígono cerrado que es el perfil radial.

Ejemplo:

Dibujar el perfil radial correspondiente al anterior ejercicio (calificaciones de un

alumno de Ciencias Ambientales)

Para dibujar un perfil radial en una hoja de cálculo, se ha de elegir realizar o insertar
gráfico en formato de gráfico radial. Puede variar la denominación según programas
y versiones.

10.8. Gráficos de variable cuantitativa discreta

Los gráficos más utilizados son:

- Diagrama de barras
- Polígono de frecuencias

- Diagrama de barras acumulativo

10.9. Diagrama de barras

Se dibujan un par de ejes cartesianos. En el eje de abcisas se toman los distintos

valores de la variable y en el de ordenadas las frecuencias. Cada valor de la
variable y su correspondiente frecuencia, constituye una pareja de números, a los
que corresponde en el plano un punto, habiendo tantos puntos como valores tome
la variable.

Para dar mayor visibilidad al gráfico se acostumbra a representar la ordenada de

cada punto mediante una línea gruesa o barra, de ahí su nombre.

Como las frecuencias son siempre positivas, el gráfico sólo requiere los cuadrantes
I y II del plano. Habitualmente el gráfico de barras aparece en el primer cuadrante.

Según se utilicen frecuencias absolutas o frecuencias relativas, se obtendrá el

diagrama de barras absoluto o relativo.

Obtenemos un conjunto de barras verticales cuya suma de longitudes debe ser n

(tamaño de la muestra) o dependiendo de si las frecuencias representadas son
absolutas o relativas.

10.10. Polígono de frecuencias

Uniendo los extremos superiores de las barras en el diagrama de barras, se obtiene

una línea quebrada abierta que recibe el nombre de polígono de frecuencias.

Si el polígono se ha construido sobre un diagrama en el que se han utilizado

frecuencias absolutas, lo llamaremos polígono de frecuencias absolutas. Si se
trabajó con frecuencias relativas obtendremos el polígono de frecuencias relativas.

10.11. Diagrama de barras acumulativo

La representación de las frecuencias acumuladas correspondiente a una variable

discreta, se efectúa de la siguiente manera:

Sobre el eje de abscisas se llevan los valores de la variable y sobre el eje de las
ordenadas, los valores de las frecuencias acumuladas (absolutas o relativas). Se
levantan barras de altura igual a la frecuencia y por el extremos superior de cada
barra se trazan paralelas al eje de abscisas, hasta cortar a la barra siguiente. se
obtiene así una representación escalonada, cuya justificación se debe a que entre
cada dos valores consecutivos de la variable, las frecuencias acumuladas
permanecen invariables. A este gráfico se le conoce como diagrama de barras
acumulativo.

10.12. Diagrama de barras acumulativo

Para construir el diagrama de barras colocaremos en abscisas la nota obtenida y en

ordenadas el número de alumnos. En una hoja de cálculo, como Excel o Calc, se
pueden elegir diagramas de barras, a veces llamados de columnas o diagramas X-
Y. Estos programas permiten sofisticaciones en la presentación como efectos 3D.
El polígono acumulado de frecuencias también se puede representar como un área
sombreada, eligiendo si lo hacemos con un programa un gráfico de áreas.
Para construir el diagrama de barras acumulativo, a cada dato de las ordenadas (nº
de alumnos) se sumará el anterior.

10.13. Gráficos para variables agrupadas en intervalos de clase

Cuando la variable aleatoria toma muchos valores distintos y hay muchas

observaciones, es conveniente agrupar los valores de la variable en intervalos de
clase. Los gráficos que se utilizan más en este caso son:

a) Histograma

b) Polígono de frecuencias

c) Polígono acumulativo de frecuencias

10.14. Histograma

Consideramos el caso en que la variable viene dada en intervalos de clase. Ahora

una frecuencia cualquiera no corresponde a un solo valor de la variable, sino a
todo un intervalo, por tanto no existen parejas de puntos a las que
corresponderían puntos en el plano, en el gráfico. Entonces se recurre a otro
criterio de representación, el de representación por áreas.

Los histogramas son representaciones gráficas por áreas. Sobre el eje de

abscisas se marcan los extremos de los intervalos de clase de la variable y se
levantan rectángulos cuya base tiene como medida la amplitud de los intervalos de
clase y su altura es tal que el área del rectángulo es igual a la frecuencia, absoluta
o relativa, según que el histograma sea de frecuencias absolutas o relativas.

Esta representación gráfica es la más utilizada cuando se trata de una variable

continua.

Se han de distinguir con claridad dos casos:

1) Cuando los intervalos de clase son de amplitud constante.

2) Cuando los intervalos de clase son de amplitud variable.

Cuando los intervalos son de amplitud constante, como la base de los rectángulos
que se van a construir es siempre de igual magnitud, puede tomarse dicha base
como unidad de medida de la variable. En este caso, las áreas de los rectángulos
son exactamente iguales a las alturas. Por esta razón, el criterio de representación
área = frecuencia se convierte en altura = frecuencia. Debe observarse que el área
total cubierta por la figura es igual al número total de observaciones.

Cuando los intervalos de clase con de amplitud diferente, las frecuencias no pueden
tomarse como alturas. La representación gráfica correcta exige el cálculo de las
alturas, cosa muy fácil ya que la tabla estadística nos da las bases (amplitudes de
los intervalos) y las áreas (frecuencias). La altura será la frecuencia partida por la
amplitud del intervalo.

10.15. Polígono de frecuencias

A partir del histograma, obtenemos otra representación muy usual: el polígono de

frecuencias que se obtiene uniendo los puntos medios de los lados superiores de
los rectángulos levantados en el histograma de frecuencias, dando como resultado
una línea quebrada.

Ejemplo:

Una empresa vende herramientas numeradas de series 0 a 10, según su tamaño.

El número de ellas vendidas en el mes de agosto ha sido el siguiente:

Intervalo Nº herramientas vendidas

0-5 123
5-7 180
7-9 112
9-10 36

Para realizar el histograma, ya que los intervalos no tienen la misma amplitud,

hemos de calcular las alturas de los rectángulos que serán:

H1 = 123/5 = 24,6; H2 = 180/2 = 90; H3 = 112/2 = 56; H4 = 36/1 = 36.

Con estos datos construiremos el histograma, en este caso, por motivos didácticos,
para distinguir cada rectángulo están representados en distintos colores.
La forma de construir un histograma en una hoja de cálculo, como Excel o Calc, a
veces no se presenta de forma tan sencillo como los anteriores, aunque se puede
realizar de muchas maneras. Una de ellas es rellenando datos consecutivos de tal
forma que su resultado final sea el polígono buscado. Si se quiere mejorar la
presentación se puede hacer mejorando el gráfico final como imagen mediante y
tratándolo con un programa de tratamiento de imágenes, como Paint, Gimp o
Photoshop.

10.16. Polígono acumulativo de frecuencias

Al agrupar los valores de la variable en intervalos de clase, se supone que los

valores se distribuyen uniformemente en dicho intervalo. Este supuesto de
repartición uniforme hace que en la acumulación, a medida que se recorren los
intervalos de la variable X dentro de un intervalo, la frecuencia acumulada va
creciendo de un modo lineal o rectilíneo. Se obtiene así una lineal poligonal que
empieza en 0 y acaba en n.

Para facilitar la representación podemos fijarnos en que si los intervalos tienen la

misma amplitud, uniendo los extremos derechos de los rectángulos que componen
el histograma de frecuencias acumuladas, se obtiene el polígono acumulativo.

En caso de que los intervalos no tengan la misma amplitud, seleccionamos los

puntos en el plano haciendo corresponder al extremo superior de cada intervalo la
frecuencia acumulada correspondiente al ese intervalo. Obtenemos así una línea
poligonal que partirá de cero a la que llamaremos polígono acumulativo de
frecuencias.

Ejemplo:

Los salarios por hora en euros de 50 personas que tuvo que contratar una empresa
para un determinado trabajo fueron los siguientes:

Salarios/h(€/h) Nº personas

0-10 21
10-20 12
20-30 11
30-40 4

Construir el polígono acumulativo de frecuencias

En primer lugar, construiremos una tabla, en la que figuren los intervalos, la marca
de clase o punto medio de cada intervalo, la frecuencia absoluta y la frecuencia
acumulada absoluta que se calculará sumando a cada una la anterior.
 Frecuencia
Marca de Frecuencia
Intervalos acumulada
clase absoluta
absoluta
0-10 5 21 21
10-20 15 12 33
20-30 25 11 44
30-40 35 4 48
40-50 45 2 50

Para construirlo en una hoja de cálculo sirve un diagrama X-Y, apareciendo en

abcisas la marca de clase y en ordenadas la frecuencia acumulada.
 11. DIAGRAMA DE BARRAS

11.1. ¿Qué es un diagrama de barras?

Un diagrama de barras refleja los conteos de valores de los niveles de una variable
categórica o nominal.

11.2. ¿Cómo se usan los diagramas de barras?

Los diagramas de barras ayudan a entender los niveles de su variable y se pueden

usar para detectar errores.

11.3. ¿En qué cuestiones conviene fijarse?

Los diagramas de barras se usan en datos nominales o categóricos. Para datos

continuos, mejor utilice histogramas.
Los diagramas de barras reflejan los conteos de frecuencia de los datos

Los diagramas de barras reflejan los conteos de frecuencia de valores de los

distintos niveles de una variable categórica o nominal. A veces se usan diagramas
de barras para representar otras estadísticas, como porcentajes. La figura 1 es un
ejemplo de diagrama de barras con las respuestas a la pregunta de una encuesta.
Las barras representan los niveles de la variable; la altura de las mismas indica el
conteo de respuestas de cada nivel.

11.4. ¿En qué se diferencian los diagramas de barras y los histogramas?

Las dos diferencias fundamentales entre un histograma y un diagrama de barras

son los espacios entre barras y los tipos de datos. Los histogramas no tienen
espacio entre barras, los diagrama de barras sí tienen. Sin embargo, con muchas
herramientas de software puede editar un diagrama de barras para que no tenga
espacios entre barras, lo que nos lleva a la segunda diferencia clave entre
histogramas y diagramas de barras.

Los histogramas se usan en datos continuos; los diagramas de barras se usan en

datos categóricos o nominales. Consulte la sección «Diagramas de barras y tipos
de datos» a continuación para más detalles.

11.5. ¿En qué se diferencian los diagramas de Pareto y de barras?

Un diagrama de Pareto es un ejemplo especial de diagrama de barras. En los

diagramas de Pareto las barras se ordenan de mayor a menor. Estos diagramas se
suelen usar en control de calidad para identificar las áreas con más problemas.

Como los histogramas, los diagramas de Pareto no tienen espacios entre barras. A
diferencia de los histogramas, los diagramas de Pareto resumen el conteo de
variables categóricas o nominales.

La figura 2 ofrece un ejemplo de diagrama de Pareto que resume los tipos de

hallazgo en una auditoría de procesos de negocio. Incluye una leyenda de las
categorías, lo que permite etiquetas más largas para que las categorías sean más
fáciles de leer.
 11.6. Representar más estadísticas que los conteos

Aunque todos los ejemplos muestran diagramas de barras con conteos, estos
pueden mostrar otras estadísticas, como porcentajes. La mayoría de herramientas
de software ofrecen opciones según la estadística que se quiera representar.

11.7. Características de un diagrama de barras

• Se compone de columnas o barras de diferentes alturas, estas

pueden ser horizontales o verticales.

• Tiene un eje horizontal o eje x, donde se ubica una variable,

por lo general, cualitativa.

• Tiene un eje vertical o eje y, donde se ponen los valores que

determinan la altura de las barras. A estos números se les
conoce como frecuencia.
• El ancho de las barras y el espacio entre cada una debe ser el
mismo.

• Las barras también sirven para comparar valores.

Paso 1:

Con las respuestas de los 50 invitados, organiza los siguientes datos en una tabla:
18 personas votaron por el helado de chocolate, 10 por vainilla, 12 por brownie, 8
por fresa y 2 por chicle.

Recuerda que a las veces que se repite un dato se le llama Frecuencia.

Paso 2:

Ubica en el eje x cada uno de los sabores.

Paso 3:

En el eje y coloca la cantidad de personas que votaron por cada sabor. Como el
número mayor es el 18, puedes usar una frecuencia de números de dos en dos. Así:
dos, cuatro, seis, ocho, diez, doce, catorce, dieciséis y diez y ocho.
La clave para elegir los números del eje y está en identificar el número más grande.
Si tuvieras cifras de 200 o 355 invitados, colocar los números de dos en dos haría
que la gráfica quede muy alta. En estos casos, busca una frecuencia que se
acomode a lo que quieres mostrar, puede que usar números de de 50 en 50, te
funcione mucho mejor.

Paso 4:

Ubica las barra en dirección a donde hayas ubicado cada sabor. Su tamaño
depende del número de personas que votaron. Por ejemplo, la barra de chocolate
llega hasta el número 18; la de vainilla, hasta diez; y así sucesivamente hasta utilizar
todos los datos de la tabla.
 12. DIAGRAMA DE SECTORES

Entre las diversas asignaciones que nos podemos ver en la necesidad de realizar
con respecto a las matemáticas, se encuentra la elaboración de diagramas. Dentro
de esta ciencia se cuentan con una gran variedad de diagramas que se pueden
realizar para resolver algún tipo de problema. Por ello es importante aprender sobre
cada uno para reconocer sus diferencias y posteriormente reconocerlos de forma
individual. Entre todos estos tipos, uno de los más comunes es el diagrama de
sectores.

Por lo tanto, si te encuentras en medio de un ejercicio matemático al respecto de

este tema y tienes dudas, no te preocupes, has ingresado al lugar indicado. En este
artículo te estaremos explicando todo lo que debes saber al respecto del diagrama
de sectores. Bien sea que necesites aprender el tema desde cero o simplemente
deseas refrescar conocimientos matemáticos. Te estaremos explicando desde qué
es, hasta cómo se elabora, para que no te quede ni una sola duda al respecto.

12.1. ¿Qué es un diagrama de sectores?

Debemos iniciar, por supuesto, explicando qué es un diagrama de sectores. No

obstante, para un mayor entendimiento del tema, debemos comenzar explicando
qué es un diagrama. Se trata de una especie de gráfico en el cual se pueden
representar todo tipo de factores con la intencionalidad de que todo se efectúe de
forma organizada y clasificada. De este modo, por medio de un gráfico se permite
el estudio o análisis de todo tipo de datos de forma mucho más simple a nivel visual.

Habiendo entendido bien la definición del diagrama, es momento de hablar de

manera específica sobre el diagrama de sectores. Se trata de un gráfico cuya forma
es circular y que permite la representación de datos, dividiendo su área total, en
diversos sectores. Al mismo también se le conoce por nombres como gráfico de
pastel o de pizza. Ya que, una vez que el diagrama está armado, su diseño parece
un gran pastel dividido en diversos trozos de tamaños que pueden resultar variados.

12.2. ¿Cómo se hace un diagrama de sectores?

Lo primero que debes tener en consideración para hacer un diagrama de sectores,

es que existen algunos cálculos que se deben realizar para obtener el diagrama
como tal. Esto se debe a que necesitas conocer la frecuencia relativa de cada uno
de los valores. Luego de esto, será momento de realizar el cálculo de ángulo que
corresponde a cada uno de los datos. Es este tipo de operación la que nos permitirá
conocer el tamaño que debe tener cada sector o dato del gráfico.

Para este cálculo, se necesita la frecuencia de cada dato. Ya que, mientras más
frecuente sea, mayor será su ángulo. Para efectuar esta operación se utiliza la
siguiente fórmula:

En donde, F es la frecuencia, N es el número o cantidad de datos y los

360o representan la suma de todos los ángulos que componen a los círculos.
Además de este cálculo, debes conocer el porcentaje que representará cada sector.
En este caso, la fórmula sería

y sus elementos son los mismos.

12.3. ¿Cuáles son sus características principales?

Por supuesto, al igual que cualquier otro tipo de ejercicio o gráfico matemático, el
diagrama de sectores cuenta con características muy específicas. Estos rasgos lo
definen a la perfección. Y es precisamente a través de estas características únicas
que se puede diferenciar con facilidad el diagrama de sectores de los otros tipos de
diagramas existentes. Por lo tanto, para que te hagas una idea completa y más clara
de ellas, a continuación, te presentamos las principales características del diagrama
de sectores.

• En primer lugar, es un tipo de diagrama que siempre se grafica con forma

circular

• Las variables que se plasman en un diagrama de sectores pueden ser

tanto cualitativas como cuantitativas

• Cada una de las variables es representada gráficamente como un sector

del diagrama

• Cada variable cuenta también con un porcentaje total

• La suma de los ángulos de cada sector debe tener como resultado el

ángulo del círculo completo

• La suma de los porcentajes de cada sector debe tener como resultado

final un 100%

12.4. ¿Para qué sirve un diagrama de sectores?

El diagrama de sectores no es reconocido simplemente como un tema que

estudiamos al cursar una asignatura de matemática. Si no que también se trata de
un gráfico que podemos emplear en el día a día a nivel laboral. En especial al
momento de manejar cálculos contables o estadísticas. Así que, la respuesta a esta
pregunta es bastante amplia, pues el diagrama de sectores sirve para realizar una
representación gráfica de diversos tipos de datos y en una gran variedad de análisis.

Para que te hagas una idea de todos los usos que se le puede dar al diagrama de
sectores, veamos algunos de sus usos más frecuentes. Por ejemplo, puede servir
para mostrar una comparación entre diversos aspectos o categorías de una misma
variable. También puede ser de ayuda para distribuir proporcionalmente todos los
datos en un análisis de tipo comercial. En resumen, se trata de una herramienta
visual que nos permite analizar de forma mucho más rápida y práctica una gran
variedad de datos.

12.5. Ventajas de este tipo de gráfico

Entre los diversos tipos de diagramas que se pueden emplear en la actualidad, el

diagrama de sectores sigue siendo uno de los preferidos. Esto es algo que se debe
a todas y cada una de las increíbles ventajas que supone el uso de este tipo de
gráfico. Si estás considerando utilizarlo para algún tipo de estudio, entonces debes
conocer las ventajas del diagrama de sectores. Ya que podrás gozar de cada uno
de ellas sin importar el tipo de uso que le vayas a dar.

Entre los principales beneficios de usar este gráfico está el hecho de que, a nivel
visual, resulta mucho más cómodo y simple de entender para cualquier persona. Ya
que, los sectores se encuentran muy bien divididos y gracias al espacio es más fácil
comprender lo que representa cada uno de ellos. Además, en lo que respecta a la
fase de construcción, sin duda es de los gráficos más simples de realizar. No
importa, si lo vas a trazar a mano o por medio de un ordenador.

12.6. Desventajas de este tipo de gráfico

Obviamente, hay que tener en consideración que el diagrama de sectores también

tiene algunas desventajas. En primer lugar, está el hecho de que solo puede ser
empleado para graficar datos que sean estáticos. Pues si los mismos forman parte
de una serie temporal, no resultará útil emplear este tipo de gráfico. Además de
esto, en caso de que la cantidad de datos a analizar sean demasiados, puede
tornarse un poco difícil de entender. Por ello, para diagramas con muchos datos, se
recomienda emplear otro tipo de gráficos.
 13. HISTOGRAMAS

13.1. ¿Qué es un histograma?

Un histograma es un gráfico que se utiliza para representar la distribución de

frecuencias de algunos puntos de datos de una variable. Los histogramas
frecuentemente clasifican los datos en varios “contenedores” o “grupos de rango” y
cuentan cuántos puntos de datos pertenecen a cada uno de esos contenedores.

El histograma se le atribuye a Karl Pearson, un matemático inglés. Los histogramas

son específicamente útiles en estadísticas, ya que pueden representar la
distribución de datos de muestra.

El siguiente ejemplo de histograma representa los resultados de las pruebas de los

estudiantes. Los resultados se clasifican en varios rangos. La altura de cada barra
representa la cantidad de estudiantes que lograron una calificación en ese rango.
 13.2. ¿Cuándo usar un histograma?

13.2.1. Cuando los datos tienen una sola variable independiente

Se puede usar un histograma cuando los datos dependen de una sola variable,
como la edad de un cliente. Los histogramas ayudan a los espectadores a
comprender la distribución de la variable dependiente. Por ejemplo, el saldo
bancario de los clientes en función de su edad.

13.2.2. Cuando los datos tienen un rango continuo

Un histograma resultará útil cuando los datos de la muestra representan un rango

continuo, como los resultados de las pruebas de los estudiantes. Cuando los datos
tienen brechas significativas en su rango, entonces un histograma podría no ser el
adecuado.

13.2.3. Cuando es necesario comparar dos conjuntos de datos

Los histogramas son una herramienta excelente para comparar la distribución de

frecuencias de dos conjuntos de datos. Por ejemplo, considere la cantidad de
compras realizadas por clientes de diferentes grupos de edad. Se puede usar un
histograma para comparar estos datos en varias tiendas.

13.3. ¿Cuáles son los principales usos de los histogramas?

Análisis de distribución de frecuencias

Los histogramas son especialmente útiles para analizar la distribución de

frecuencias de datos de muestra. En un experimento estadístico, la distribución de
frecuencias es la cantidad de observaciones que pertenecen a una categoría
particular (o "contenedor" en la terminología de histogramas).

En el siguiente ejemplo, el histograma muestra las compras realizadas por clientes

de diferentes grupos de edad. El histograma muestra claramente el rango de grupos
de edad en comparación con las compras. Según el histograma, los clientes del
grupo de edad de entre 50 a 70 años realizaron el mayor número de compras.

13.4. Análisis de la simetría de datos

Con los histogramas, los espectadores pueden analizar la naturaleza de las

distribuciones de frecuencias. Algunas de las distribuciones pueden ser simétricas,
lo que significa que la media de la distribución está precisamente alrededor del valor
medio del conjunto de datos. Algunas otras distribuciones podrían no ser simétricas
sino sesgadas hacia la izquierda o hacia la derecha, lo cual demuestra que el valor
medio de los datos está alrededor del principio o al final del rango de datos. Algunos
de los datos tendrán una distribución uniforme donde cada contenedor tiene casi la
misma cantidad de puntos de datos. La siguiente figura muestra algunas
distribuciones de histogramas de muestra.
 13.5. Análisis del cambio durante un periodo de tiempo

Los histogramas analizan cómo cambian los resultados del proceso con el tiempo.
Por ejemplo, la cantidad de artículos defectuosos fabricados durante un turno en
una fábrica podría cambiar con el tiempo. Una organización puede usar estos datos
para determinar las horas en las que los defectos son altos y buscar medidas
preventivas.

13.6. ¿Cuáles son las mejores prácticas al usar un histograma?

• Uso de una línea de base cero

Al usar histogramas, el valor base siempre deberá ser cero. Como la altura de cada
barra representa la cantidad de muestras en un rango, el uso de una base distinta
de cero sesgará la visualización de una distribución de frecuencias.

• Elegir la cantidad correcta de contenedores

Una decisión importante al crear los histogramas es la cantidad de contenedores.

Por lo general, las herramientas tendrán diferentes algoritmos para definir la
cantidad de contenedores. Demasiados contenedores resultarán en que la
distribución de datos se vea tosca. Los valores que no son significativos (ruido)
también estarán representados, lo que dificultará el análisis. Si existen muy pocos
contenedores, el histograma no tendrá suficientes detalles para hacer una inferencia
a partir de los datos. Al hacer histogramas, es necesaria una cierta cantidad de
prueba y error en el tamaño del contenedor.

13.7. Utilizar contenedores del mismo tamaño

Si bien la mayoría de los histogramas tienen contenedores del mismo tamaño, no

es un requisito obligatorio. En conjuntos de datos con datos escasos, podría parecer
conveniente combinar algunos contenedores, lo que da como resultado
contenedores de diferente tamaño, lo cual dificultará la interpretación de los
histogramas. El área total de un histograma representa los datos completos y cada
barra representa sus partes. Con contenedores del mismo tamaño, será suficiente
observar la altura de las barras para identificar la frecuencia de los puntos de datos.
Cuando los contenedores son de diferente tamaño, será necesario observar el área
de cada barra en lugar de la altura. Por lo general, será más fácil interpretar la altura
que el área, por lo que utilizar contenedores de igual tamaño resultará en una buena
práctica facilitando la interpretación.

13.8. ¿Cuándo no usar un histograma?

• Cuando los datos no son numéricos

Los histogramas son más adecuados para la representación gráfica de una variable
numérica con un rango de datos continuo. Si los datos consisten en valores no
numéricos como el género o la ubicación, el histograma claramente no se ajustará.
En este caso, se podrán utilizar gráficos circulares o de barras.

• Cuando el tamaño de la muestra es pequeño

Los histogramas funcionan bien cuando existen suficientes puntos de datos en la

muestra. Cuando existen muy pocos puntos de datos, el histograma no mostrará la
distribución de los datos. Como regla general, los histogramas son útiles cuando
existen veinte o más observaciones. Cuando existen menos puntos de datos, será
mejor usar gráficos de probabilidad estándar.

• Cuando existen grandes lagunas en los datos

Los histogramas son más adecuados cuando los datos de muestra son continuos.
Los histogramas representan puntos de datos que pertenecen a diferentes
contenedores, por lo que el gráfico será ineficiente cuando falten datos o no estén
definidos.

13.9. ¿Cuáles son las aplicaciones de los histogramas?

Si bien los gráficos circulares y de barras son herramientas de visualización de

datos, los histogramas se utilizan predominantemente en estadísticas. Los
estadísticos utilizan histogramas para comprender mejor los datos de la muestra.
Los histogramas se utilizan frecuentemente para explorar varias propiedades
estadísticas de los datos.

13.10. Visualizar la variabilidad

Suponga que existen dos conjuntos de datos con valores medios similares. A partir
de esta información, los conjuntos de datos parecen similares. Cuando
representamos estos datos en los histogramas, la variabilidad de los datos se hace
evidente. Los principales puntos de datos se encuentran entre 40 y 70 en el
histograma de la izquierda, mientras que en el de la derecha están distribuidos casi
por igual entre 20 y 100. Aunque la media es la misma, un histograma mostrará
fácilmente la desviación de los datos.
 13.11. Identificar valores atípicos

En estadística, un valor atípico es un punto de datos que se encuentra a una

distancia anormal de los otros puntos de datos. Los histogramas son útiles para
visualizar estos valores atípicos. Aparecen como una barra aislada. Los valores
atípicos se dan debido a la anomalía en los datos o debido a algunos errores de
entrada de datos.

13.12. Para identificar distribuciones multimodales

En estadística, una distribución multimodal es una con múltiples picos. Por ejemplo,
el siguiente histograma tiene dos picos diferentes. Las características multimodales
de un conjunto de datos podrían no ser fácilmente identificables al calcular la media
y la desviación de la distribución. Un histograma ayuda a identificar tales
distribuciones multimodales.

13.13. Evaluar el ajuste de una función de distribución de probabilidad

Los estadísticos frecuentemente utilizan histogramas para evaluar el ajuste de una

función de distribución de probabilidad. Un histograma es una representación de los
datos de muestra reales. Una línea de distribución ajustada intenta identificar la
función de distribución de probabilidad que puede predecir correctamente la
distribución de datos de la muestra. Los estadísticos frecuentemente superponen
las funciones de distribución de probabilidad sobre el histograma para evaluar su
ajuste.
 14. POLÍGONO DE FRECUENCIAS

Polígono de frecuencia es el nombre que recibe una clase de gráfico que se crea a
partir de un histograma de frecuencia. Estos histogramas emplean columnas
verticales para reflejar frecuencias: el polígono de frecuencia es realizado uniendo
los puntos de mayor altura de estas columnas.

Es decir, por tanto, podríamos establecer que un polígono de frecuencia es aquel

que se forma a partir de la unión de los distintos puntos medios de las cimas de las
columnas que configuran lo que es un histograma de frecuencia. Este se caracteriza
porque utiliza siempre lo que son columnas de tipo vertical y porque nunca debe
haber espacios entre lo que son unas y otras.

Un polígono de frecuencia se basa en un histograma de frecuencia.

En las ciencias sociales, en las ciencias naturales y también en las económicas es

donde con más frecuencia se hace uso de estos mencionados histogramas ya que
se emplean para llevar a cabo lo que es la comparación de los resultados de un
proceso determinado.
 14.1. Tipos de polígono de frecuencia

Se conoce como polígonos de frecuencia para datos agrupados a aquellos que se

desarrollan mediante la marca de clase que tiene coincidencia con el punto medio
de las distintas columnas del histograma. En el momento de la representación de
todas las frecuencias que forman parte de una tabla de datos agrupados, se genera
el histograma de frecuencias acumuladas que posibilita la diagramación del
polígono correspondiente.

Un polígono de frecuencia, por ejemplo, permite reflejar las temperaturas máximas

promedio de una ciudad en un determinado periodo temporal. En el eje
X (horizontal), deben indicarse los meses del año (enero, febrero, marzo, abril, etc.).
En el eje Y(vertical), en cambio, se registran las temperaturas más altas promedio
de cada mes (28º, 26º, 22º…). El polígono de frecuencia se creará al unir, mediante
un segmento, las diversas temperaturas más elevadas promedio.

Los polígonos de frecuencia se suelen usar cuando se pretende retratar varias

distribuciones distintas o la clasificación cruzada de una variable cuantitativa
continua con una cualitativa o cuantitativa discreta en el mismo dibujo.
En muchas ciencias se recurre a polígonos de frecuencia.

El punto de más altura de un polígono de frecuencia equivale a la mayor frecuencia,

mientras que el área que se sitúa debajo de la curva incluye todos los datos que
existen. Cabe recordar que la frecuencia es la repetición mayor o menor de un
evento, o el número de veces que un acontecimiento periódico se reitera en una
unidad temporal.

14.2. ¿Cómo crearlos?

Dado el valor y la utilidad que tienen los citados polígonos hay que resaltar que
estos se pueden confeccionar de una manera muy sencilla y rápida. En concreto,
se da la oportunidad de acometerlos mediante un programa informático que se ha
convertido en uno de los ejes claves del funcionamiento de cualquier empresa. Nos
estamos refiriendo al software conocido como Excel.

Este es un programa, de Microsoft Office, que se confeccionó con el claro objetivo

de que sus usuarios pudieran trabajar con lo que son hojas de cálculo. Por tal
motivo, es lógico que también permita la posibilidad de crear polígonos de
frecuencia a la hora de comparar cifras y tomar decisiones en base a las mismas.

En concreto, para conseguir crear los mismos con Excel se tiene que partir de la
existencia de una serie de gráficos que se hayan confeccionado previamente para
seguidamente desarrollar un conjunto de acciones que den lugar a aquellos.

El polígono de frecuencias es un gráfico que permite la rápida visualización de las

frecuencias de cada una de las categorías del estudio.

Normalmente se utiliza con frecuencias absolutas, pero también se utiliza

con frecuencias relativas.
 Ejemplo

El INE (Instituto Nacional de Estadística) realiza trimestralmente una encuesta,

llamada EPA (Encuesta de Población Activa) que evalúa, entre otros factores, la
tasa de paro.

Un investigador desea estudiar la evolución de la tasa de paro en España desde el

año 1998 al 2004. Mediante las encuestas de la EPA obtiene los siguientes datos:

Se colocan los períodos (los 28 trimestres) en el eje horizontal y la tasa de paro (en
tanto por cien) en el eje vertical. Se dibujan los puntos en las tasas correspondientes
a cada período y se unen mediante segmentos. El polígono de frecuencias es el
siguiente:
Polígono de frecuencias asociado a un histograma

El histograma representa las frecuencias absolutas o relativas mediante

rectángulos. El polígono de frecuencia sasociado a un histograma se dibuja uniendo
los puntos medios de las bases superiores de los rectángulos.

Este grafico también se llama polígono de frecuencias para datos agrupados.

También se puede construir un histograma, colocando en ordenadas las

frecuencias acumuladas.
 15. MEDIDAS DE TENDENCIA CENTRAL

15.1. Medidas De Tendencia Central

Las características globales de un conjunto de datos estadísticos pueden resumirse

mediante una serie de cantidades numéricas representativas llamadas parámetros
estadísticos. Entre ellas, las medidas de tendencia central, como la media
aritmética, la moda o la mediana, ayudan a conocer de forma aproximada el
comportamiento de una distribución estadística.

15.2. Medidas de Centralización

Se llama medidas de posición, tendencia central o centralización a unos valores

numéricos en torno a los cuales se agrupan, en mayor o menor medida, los valores
de una variable estadística. Estas medidas se conocen también como promedios.

Para que un valor pueda ser considerado promedio, debe cumplirse que esté
situado entre el menor y el mayor de la serie y que su cálculo y utilización resulten
sencillos en términos matemáticos.

Se distinguen dos clases principales de valores promedio:

• Las medidas de posición centrales: medias (aritmética, geométrica,

cuadrática, ponderada), mediana y moda.
• Las medidas de posición no centrales: entre las que destacan
especialmente los cuantiles.
Las medidas de centralización son parámetros representativos de distribuciones de
frecuencia como las que ilustra la imagen.

15.3. Media aritmética

Se define media aritmética de una serie de valores como el resultado producido al

sumar todos ellos y dividir la suma por el número total de valores. La media
aritmética se expresada como .

Dada una variable x que toma los valores x1, x2, ..., xn, con frecuencias absolutas
simbolizadas por f1, f2, ..., fn, la media aritmética de todos estos valores vendrá dada
por:

15.4. Media ponderada

En algunas series estadísticas, no todos los valores tienen la misma importancia.

Entonces, para calcular la media se ponderan dichos valores según su peso, con lo
que se obtiene una media ponderada.

Si se tiene una variable con valores x1, x2, ..., xn, a los que se asigna un peso
mediante valores numéricos p1, p2, ..., pn, la media ponderada se calculará como
sigue:

15.5. Mediana

La media aritmética no siempre es representativa de una serie estadística. Para

complementarla, se utiliza un valor numérico conocido como mediana o valor
central.
Dado un conjunto de valores ordenados, su mediana se define como un valor
numérico tal que se encuentra en el centro de la serie, con igual número de valores
superiores a él que inferiores. Normalmente, la mediana se expresa como Me.

La mediana es única para cada grupo de valores. Cuando el número de valores

ordenados (de mayor a menor, o de menor a mayor) de la serie es impar, la mediana
corresponderá al valor que ocupe la posición (n + 1)/2 de la serie. Si el número de
valores es par, ninguno de ellos ocupará la posición central. Entonces, se tomará
como mediana la media aritmética entre los dos valores centrales.

Determinación de la mediana de una serie de valores.

15.6. Moda

En una serie de valores a los que se asocia una frecuencia, se define moda como
el valor de la variable que posee una frecuencia mayor que los restantes. La moda
se simboliza normalmente por Mo.

Un grupo de valores puede tener varias modas. Una serie de valores con sólo una
moda se denomina unimodal; si tiene dos modas, es bimodal, y así sucesivamente.
 15.7. ¿Para qué sirven las medidas de tendencia central?
Las medidas de tendencia central son las herramientas de mayor utilidad en el
campo de las estadísticas, ya que estas nos brindan las representaciones
cuantitativas de datos que se hayan obtenido de una población, es decir que
esta es una herramienta usada para cálculos y análisis de variabilidad para
obtener procesos optimizados en las áreas donde se está aplicando el estudio
de la estadística.

15.8. Estadística y análisis de datos

Es un tema bastante complejo, y si deseas saber más sobre él, te invitamos a que
continúes leyendo este post que trae Euroinnova para ti, sobre ¿Para qué sirven las
medidas de tendencia central? Cuál es su importancia y como aplicarlas.

15.9. ¿Qué son las medidas de tendencia central?

Las medidas de tendencia central, son herramientas utilizadas

para medir estadísticas cuyo objetivo es resumir en un solo valor a un conjunto de
valores, y de esta manera representar un centro en al cual se deben encontrar
ubicados en conjunto los datos. Existe varias medidas de tendencia central, sin
embargo, las más utilizadas son: media, mediana y moda, otras como las medidas
de dispersión, por ejemplo. Que se encargan de medir el grado de dispersión que
se produce entre los valores de una variable. Por lo tanto, cuando nos
preguntamos ¿Para qué sirven las medidas de tendencia central? ya podemos
tener una pequeña idea.

15.10. ¿Cuáles son las medidas de tendencia central?

Fundamentalmente podemos encontrar cuatro tipos, los cuales describen de
manera puntual y cuantitativa la posición que dan los valores de las variables a
través o a lo largo del recorrido, y así demuestran el para qué sirven las medidas de
tendencia central, a continuación, te mencionamos las medidas más usadas.

o Media
o Media aritmética.
 o Mediana.
o Moda.

15.11. Media

Es el valor promedio de un conjunto de datos numéricos, se calcula como la suma

del conjunto de valores, dividida entre el número total de valores, para lo cual tiene
su fórmula. Se consideran todas las puntuaciones, el numerador de la fórmula es la
cantidad total de todos sus valores dividida entre el número de sumadores.

15.12. Media aritmética

Es el valor promedio, o medición de tendencia central, de uso más común, se

calcula sumando todas las observaciones de una serie de datos y luego dividiendo
el total, entre el número de elementos involucrados. Es decir, es lo que se
denominaría en matemáticas como promedio.

15.13. Mediana

Es un dato estadístico de posición central, que parte la distribución en dos, esta

puede ser de manera creciente o decreciente, lo que significa, que coloca la misma
cantidad de valores en un lado y en el otro, por ejemplo; ¿Para qué sirven las
medidas de tendencia central? pues estas sirven para determina la mediana de
estos valores 5, 9, 4, 2, 7. Luego los ordenamos de manera creciente que serían 2,
4, 5, 7, 9, donde la mediana seria 5. Ya que los números son impar.

15.14. Moda

Es el valor que más se repite en una muestra estadística o población, no

tiene fórmula en sí misma, lo que hay que realizar es la suma de las repeticiones,
es decir un recuento de las variables continuas, mismas que se expresan en
intervalos, mediante un intervalo modal, o de ser necesario se debe obtener el valor
concreto de la variable.
Una vez definido para qué sirven las medidas de tendencia central y cuales de estas
son las principales, podemos decir que existen otros parámetros de tendencia
central menos usados.

15.15. Parámetros de tendencia central con menos uso, pero que vale la
pena mencionar, estas son:

o Media ponderada.
o Media geométrica.
o Media armónica.

Aunque son poco usadas, igual son importantes cundo definimos el para qué sirven
las medidas de tendencia central, ya que nos permiten tener estadísticas más
exactas, pues no todas los valores y series estadísticos tienen la misma importancia.

15.16. ¿Qué son las medidas de dispersión?

Y ya que estamos hablando de, para qué sirven las medidas de tendencia central,
es importante mencionar las medidas de dispersión. Podemos decir que estas son
las que entregan información sobre la variación de la variable, con las que se
pretende resumir dentro de un solo valor la dispersión que puede tener un conjunto
de datos, por lo tanto, podemos decir que las medidas de dispersión que más
utilizadas son:

o Varianza: la varianza es la más generalizada y la mejor medida

de dispersión.
o Rango de variación: es una medición que se define como la diferencia que
existe entre valor mayor de una variable y el valor menor de la misma.
o Desviación estándar: también llamada desviación típica, es la medida la cual
nos ofrece información sobre la dispersión de la media de las variables, está
por lo general es mayor o igual a cero.
o Coeficiente de variación: se describe como la medida relativa de
la dispersión de los datos, pues la podemos definir como una desviación
 estándar que se realiza de una muestra, por ejemplo; un porcentaje de la
media central.

Todas estas medidas se calculan no solo con los datos, sino que para obtener los
resultados se deben usar una serie de fórmulas específicas para cada una, y de
esta forma nos ayudan a saber el para qué sirven las medidas de tendencia central.

15.17. Las medidas de estadísticas de datos no agrupados

Los diferentes procedimientos que se usan para obtener las medidas estadísticas,
pueden diferir de una manera leve, pues va a depender de la forma en que se
encuentren los datos obtenidos, si estos se encuentran de forma ordenada en una
tabla estadística, podemos decir que se encuentran agrupados, mientras que, si los
datos no se encuentran en una tabla, estaremos hablaremos de datos no
agrupados. Entonces según este criterio, debemos realizar primero el estudio con
las medidas de estadísticas descriptivas donde se encuentran los datos no
agrupados y luego lo realizaremos para datos agrupados.

Dicho en otros términos, y teniendo en cuenta que estamos hablando de, para qué
sirven las medidas de tendencia central, podemos decir que, las medidas
de estadísticas de datos no agrupados y datos agrupados, lo que pretende es
evaluar en qué medida los datos pueden diferir entre ellos. De esta manera, ambos
tipos de medidas pueden ser usadas en conjunto y permiten describir una base de
datos que va a entregar información acerca de su posición, así como de su
dispersión.

15.18. Ventajas y desventajas de las medidas de tendencia central

Durante todo este post te hemos hablado de: para qué sirven las medidas de
tendencia central, sin embargo, es conveniente mencionar algunas ventajas y
desventajas que estas pueden acarrear:
15.18.1. Ventajas:

o Estas medidas permiten realizar un método de trabajo de modo sistemático.

o No se basa en ideas infundadas, ya que estas evitan por todos los medios
hacer afirmaciones que no tengan una base.
o Las afirmaciones que realizan van guiadas a conseguir mejoras, las cuales
se basen en evidencias con datos verificados y veraces.

15.18.2. Desventajas:

o Los parámetros estadísticos son una ayuda a manera de resumen, pero no

son categóricos o definitivos, pueden dar una información de lo que
en promedio cabría esperar, pero no siempre son precisos.
o Son sensibles a los valores extremos.
o No se recomienda emplearla en distribuciones muy asimétricas.
 16. MEDIDA ARITMÉTICA SIMPLE

16.1. ¿Qué es la media aritmética?

La media aritmética es el valor que se obtiene al sumar todos los datos que tenemos
y dividir el resultado entre el número total de esos datos.

Se calcula con las siguientes fórmulas:

Donde “n” es el número de datos.

Un ejemplo:
Calcular la media de: 8,9,10,11,16,17,6

N= 7 (el número de datos)

Aplico la fórmula:

La media de nuestro conjunto de datos es 11.

 16.2. ¿Cómo se calcula la media aritmética para datos agrupados?

En muchas ocasiones nos encontraremos los datos agrupados en una tabla de

frecuencias (número de veces que se repite nuestro dato).

En ese caso, la fórmula sería:

Aquí el siguiente ejemplo:

Completo la tabla de la siguiente forma:

Este símbolo ∑, significa sumatorio, es una notación matemática que permite

representar sumas de varios sumandos.

Aplico la siguiente fórmula:

 16.3. ¿Para qué la utilizamos?

Normalmente, lo que buscamos con este valor de la media es un dato representativo

de nuestro conjunto.

Muchos lo definen como un “centro de gravedad” de la distribución, lo que no

implica, importe y no confundir, con que represente la mitad.

Lo malo de este valor es que suele verse afectado por valores que se alejan de las
agrupaciones centrales y hace que se desvíe mucho. Por ejemplo:

En una clase, 5 estudiantes tienen 5 rotuladores de colores. Sin embargo, uno de

ellos, Carlitos, tiene en su estuche 95 rotuladores de colores. Si calculamos la media
de rotuladores que tienen los 6 estudiantes nos saldría:

Nos sale que los estudiantes tienen de media 20 rotuladores. Lo cierto es que si,
salvamos a Carlitos, la media del resto de los estudiantes es de 5 rotuladores por
persona. Muy distinto a lo que nos dio anteriormente.

Ejemplo resuelto:
En un grupo de personas, 3 tienen 25 años, 2 tienen 26 años, 4 tienen 38 años y 7
tienen 45. ¿Cuál es la edad media de las personas que forman el grupo?
En primer lugar, realizamos la tabla de datos:
Aplicando la fórmula:

La edad media de las personas del grupo es de 37,125.

La media aritmética, a la cual también se le llama promedio aritmético, es una

medida de tendencia central. Se trata de un número que representa el promedio de
los valores observados en un conjunto.
Es decir, es el cociente entre el número de observaciones o datos recogidos y la
suma de los valores correspondientes.
Este término es muy usado en estadística porque permite conocer el rango
promedio de los eventos, en función a la totalidad de los hechos.
Es un proceso que se utiliza casi a diario. Por ejemplo, cuando se calcula el
promedio de las notas académicas, las partes en las que se deben repartir los
alimentos según la cantidad de personas, entre muchos otros ejemplos de la vida
diaria.
Con respecto a los cálculos estadísticos, también es un término que se emplea con
frecuencia para representar distintos valores como, por ejemplo, la media entre la
cantidad de habitantes de una población, los niveles de humedad, el frío, y en otros
casos.
 16.4. Fórmula y cálculo

La media aritmética se simboliza x̄, lo que significa que es la sumatoria de un

conjunto de elementos relacionados.
Para aplicar su fórmula es esencial conocer el número total de elementos
estudiados, ya que su nomenclatura es la siguiente:

Dicha fórmula se desglosa de la siguiente manera:

x̄ = se lee media aritmética.

Σ = es la sumatoria de todos los elementos que hay en el conjunto dado. Por
ejemplo, si se hace el cálculo de un promedio entre 10 notas, el número que resulte
de sumar esas 10 notas será el total del conjunto.
Xi = representa cada uno de los elementos del conjunto. En el caso del ejemplo
anterior, se habla de cada una de las 10 notas por separado para, posteriormente,
sumarlas.
n = se refiere a la totalidad de los eventos. En el ejemplo dado, n es igual a 10.
Por otro lado, la media aritmética siempre es superior o igual que la media
geométrica. Además, es más utilizada que otros tipos de media como la armónica
o la cuadrática.
 17. MEDIA ARITMÉTICA PONDERADA

La media es un valor que tiene múltiples usos en el día a día, por lo que es
importante conocer cómo se calcula y cuál es el significado del valor obtenido. Entre
los distintos tipos de medias, la media ponderada otorga distinta importancia a
diferentes valores sobre los que se calcula. Todo profesor ha realizado alguna vez
el cálculo de una media ponderada para poder calcular las notas de sus alumnos,
pues es mucho más justa y ponderada en relación con los esfuerzos y pruebas
realizadas.
La media ponderada o media aritmética ponderada es una media de centralización
que da una importancia distinta a cada uno de los valores sobre los que se calcula
la media. En una media ponderada cada valor se multiplica por un peso, y el total
es dividido por la suma de los pesos.
Qué es el peso en la media ponderada

El peso es el valor que se utiliza para otorgar mayor o menor importancia a los
elementos sobre los que se calcula la media ponderada. Cuanto mayor sea el valor
del peso, mayor importancia tendrá el valor al que se multiplique en la media.
Cómo se calcula la media ponderada

Para calcular la media ponderada hay que asignar un peso a los distintos valores
que se van a tomar para obtener dicha media. La suma de todos los valores por sus
pesos se divide finalmente por la suma de todos los pesos y se obtiene la media
ponderada.

17.1. La media aritmética

Un caso especial de la media ponderada es la media aritmética. En esta media

todos los valores sobres los que se realiza el cálculo tienen el mismo peso. Por lo
tanto, para calcular la media aritmética se desprecia el peso y solo es necesario
sumar todos los valores y dividirlos por el número de ellos. La media aritmética es
simplemente el promedio de una serie de valores.
La media aritmética está más influenciada por valores o picos anómalos que la
media ponderada, que es capaz de dar la importancia justa a cada uno de los
valores.

17.2. Cuáles son los usos más habituales de la media ponderada

La media ponderada es una medida muy útil cuando se quiere calcular un valor
medio y se quiere otorgar mayor importancia a alguno o algunos de los valores que
intervienen. A continuación veremos algunos ejemplos donde se calcula la media
ponderada.

17.3. Cálculo de notas

En colegios, institutos y universidades el cálculo de la media ponderada es una tarea

habitual por parte del profesorado. Se utiliza para dar mayor valor a un examen
entre varios realizados a la hora de calcular la nota, dar mayor importancia a la
teoría de las prácticas o viceversa, o para dar mayor o menor importancia a los
distintos criterios de calificación.

Por ejemplo, si en una asignatura se realizan un examen teórico y dos prácticos, y

se quiere dar igual importancia a la parte teórica que a la práctica, se tendría que
asignar un peso de 2 al examen teórico y un peso de uno a cada práctica. Para
calcular la media ponderada quedaría [(examen x 2) + (Práctica1 x 1) + (Práctica2
x 1)] / (2 + 1 + 1).

17.4. Cálculo del IPC

Para calcular el IPC (Índice de Precios de Consumo) se utiliza una media

ponderada. En este tipo de cálculo se añade un peso distinto a los distintos bienes
de consumo que se utilizan para calcularla.

17.5. Media ponderada en Excel

Excel es la hoja de cálculo del Microsoft Office, uno de los programas informáticos
más populares para realizar cálculos numéricos. En Excel es muy sencillo realizar
cálculos como el de la media ponderada, y su sistema de celdas con filas y columnas
son el marco perfecto para trabajar con este tipo de medidas.

Para calcular la media ponderada en Excel deben incluirse los valores en una
columna y los pesos correspondiente en la columna adyacente. Finalmente, se
aplicarán las fórmulas suma producto para obtener el valor de la media ponderada.

Si en una columna tenemos las notas de tres exámenes y en la columna adyacente

la importancia o peso de cada examen, para calcular la media ponderada la fórmula
de Excel sería: suma producto (rango de casillas notas; rango casillas de
pesos) / suma (rango de casillas del peso).
La media ponderada permite obtener un valor medio dando mayor o menor
importancia a los distintos valores sobre los que se realiza el cálculo. En el mundo
académico, la media ponderada se utiliza para calcular las notas finales de una
asignatura durante una evaluación aplicando distintos grados de importancia a las
pruebas realizadas sobre las mismas.

En los exámenes tipo test también se suele utilizar la media ponderada para dar
mayor importancia a un bloque de preguntas respecto a otro bloque.

El cálculo de esta media es bastante sencillo y solo requiere de operaciones básicas

de suma, multiplicación y división.

17.6. Media ponderada

En ocasiones, algunos de los datos son más importantes o tienen más peso que los
demás, por lo que cuando se calcula la media de los datos, se quiere que estos
influyan más en el resultado.

A cada dato xi le asigna un peso pi y la media ponderada es

Es decir, se suman los datos multiplicados por su peso y el resultado se divide entre
la suma de todos los pesos.

Ejemplo: notas de Manuel en los exámenes de matemáticas:

• Nota en el examen 1: 3
• Nota en el examen 2: 4
• Nota en el examen 3 (examen final): 6

El profesor de matemáticas considera que la nota del examen 2 debe tener más
peso que la nota del examen 1, y que la nota del examen 3 debe tener más peso
que las notas de los otros dos exámenes. Por esta razón, el profesor asigna un
PESO a cada una de los exámenes:

Calculamos la media ponderada (en el numerador, cada nota debe multiplicarse por
su peso; en el denominador, se suman todos los pesos):
Por tanto, la nota media (ponderada) de Manuel es un 5,1, con lo que aprueba la
asignatura de matemáticas.

Si en lugar de la media ponderada, el profesor calcula la media aritmética, la nota

de Manuel sería

En este caso, Manuel no aprobaría la asignatura, aunque hubiese superado el

examen final.
 18. MEDIA ARITMÉTICA PARA DATOS NO
AGRUPADOS

Las medidas de tendencia central para datos no agrupados son un conjunto de

indicadores estadísticos que van a mostrar hacia qué valores se agrupan los datos
numéricos, es decir, son medidas estadísticas que buscan resumir en un solo valor
un conjunto de valores.

Obedeciendo a este concepto, se afirma que hay tres medidas que son comunes
para poder identificar el centro de los conjuntos de datos, que vienen a ser la
media, mediana y moda. cada una de ellas son ubicadas alrededor del punto donde
los datos se aglomeran.

Esto se trata de un tema perteneciente al área de estadística, donde son muy

buscadas las características de un conjunto de datos.

18.1. ¿Qué son los datos agrupados y no agrupados?

Los datos agrupados son los que se clasifican en categorías o clases, que es el
número de subconjuntos, tomando como criterio su frecuencia. Se trata de hacer
más fácil y de simplificar el manejo de grandes cantidades de datos y poder así
establecer cuáles son sus tendencias. Es recomendable agruparlos si se trata de
20 o más elementos que tienen características comunes y pueden ser organizados
en categorías, de esta forma se puede conseguir manejar mejor y analizar en forma
más profunda.

Los datos agrupados se organizan en una tabla de frecuencia, siendo esta tabla el
número de veces que cada valor se repite en la serie de datos.

Por su parte, los datos no agrupados constituyen el conjunto de datos que no han
sido clasificados y que son presentados en una tabla de datos en forma individual,
es decir que no forman parte de un conjunto. De manera general constituye una
cantidad de elementos que es menor a 30 con muy poca o nula repetición.

Existen así las medidas de tendencia central para datos no agrupados, cuyos datos
se manejan en forma simple. Primero son recolectados los datos de la población de
estudio y estos son distribuidos en una tabla y analizados sin formar clases, que son
el número de subconjuntos en que se han agrupado los datos con los mismos: cada
dato mantiene su propia identidad luego de que se ha elaborado la distribución de
frecuencia.

o Resultado de un examen de matemáticas: 4,8; 3,2; 3,5; 4,2; 3,1; 4,9.

o Edades de los empleados de una tienda: 19, 22, 18, 23, 21, 19, 18, 26, 24,
26.

18.2. ¿Cuáles son las medidas de tendencia central para datos no

agrupados?

Entre las medidas de tendencia central para datos no agrupados más utilizadas se
encuentran:

• La media o media aritmética

Esta es la primera de las medidas de tendencia central para datos no agrupados de
la que hablaremos. Está determinada por el valor en promedio de una serie de
conjunto de datos numéricos. Con esta medida, los cálculos se realizan a través de
la sumatoria de todos los valores que se encuentren divididos, es el punto medio
entre el valor máximo y valor mínimo de las cantidades existentes.

La media es el centro de toda la distribución, ya que en esta son representados los

valores observados; por ejemplo, si existe un grupo de personas que tienen una
estatura media de 1.60 metros, pues esta cantidad representa la estatura promedio
de todos, a pesar de que no es la estatura de ninguna de las personas en forma
particular.
 • La mediana o mediana aritmética
Esta es una de las medidas de tendencia central para datos no agrupados también
conocida como promedio aritmético: esta es el valor encontrado en el centro
del conjunto de los datos luego de haber sido ordenados.

Se le llama también media posicional, y no es relevante si los datos están ordenados

en forma ascendente o descendente; independientemente de ello, la mediana
corresponderá al mismo valor. Veamos el siguiente ejemplo:

Tenemos el siguiente conjunto de números: 3,5,7,12,23,28,31

Si te das cuenta, hay 7 números en este conjunto y todos están organizados en

orden ascendente. El número medio viene a ser el cuarto que está en la lista, que
es el número 12; allí la mediana es 12.

Se puede obtener con el método artesanal que es el ir tachando números en cada

orilla hasta llegar al dato del centro, o también se puede hacer la siguiente
operación: el número de datos + 1 / 2.

En el ejemplo anterior podríamos hacerlo de la siguiente forma:

Tenemos el siguiente conjunto: 3,5,7,12,23,28,31

Hay 7 datos +1=8/2 es 4. Al contar en el conjunto el número que ocupa la posición 4

es el 12. Así que la mediana es 12.

• La moda
Es la tercera de las medidas de tendencia central para datos no agrupados. Esta
medida sirve para identificar cuando un dato aparece continuamente, como también
durante un periodo de tiempo determinado. Es en sí el dato que más aparece en un
grupo, también pudiendo existir dos modas, conociéndose así como bimodal o,
cuando hay más de dos modas recibe la denominación de multimodal, que es
cuando el máximo número de repeticiones se da para tres o más números.
Para calcular la moda se deben escribir los números del conjunto y luego escribir el
número o los números que se repiten mayor cantidad de veces. En un conjunto con
los siguientes componentes: 4, 5, 8, 8, 7, 6, 8; la moda es el número 8 al ser el
número que se repite más.

Estas medidas de tendencia central para datos no agrupados te permitirán analizar

los datos de un conjunto.

18.3. Distribución de datos en las tablas de frecuencia

Luego de conocer las medidas de tendencia central para datos no agrupados es

necesario centrarnos en la organización de los datos, los cuales se pueden
distribuir en tablas de frecuencia, teniendo como referencia:

• Frecuencia absoluta
Es la cantidad de veces que se encuentra un valor y está denotado o representado
con “fi“, donde el subíndice simboliza cada uno de los valores o datos numéricos.
Cabe destacar que la suma de las frecuencias absolutas es la cantidad de números
total de los datos.

• Frecuencia relativa
Es la medida estadística que constituye el cociente de frecuencia absoluta de un
valor de la población entre el total de valores que componen la población muestra y
se encuentra representado por las letras “ni”.

Frecuencia acumulada
Está representada por “Fi”, es la sumatoria de las frecuencias absolutas, dadas por
todos los valores que son iguales o inferiores al valor que se está calculando.

• Frecuencia relativa acumulada

Está representada por “Ni”, es la división de la frecuencia acumulada entre el
número total de datos.

18.4. Maneras de representar los datos

Las medidas de tendencia central para datos no agrupados pertenecientes a un
conjunto pueden ser representados tomando en consideración la desviación media,
la estándar, la varianza y la desviación típica. Conozcamos cada uno de estos
conceptos:

• La desviación media
Ya conociendo las medidas de tendencia central para datos no agrupados es
relevante conocer la desviación de la media, también llamada desviación promedio
de la media o desviación absoluta promedio. Sus valores son obtenidos a través de
la diferencia entre la media aritmética y los diferentes datos.

• La desviación estándar
Se denota con la letra sigma “Σ σ ς”, es una medida de dispersión que nos permite
indicar qué tan dispersos están los datos en relación con la media. A
mayor desviación estándar mayor es la dispersión que se encuentra entre los datos.

A través de ella se representa la muestra de una población, así como también hace
referencia a la variación de manera general de un proceso.

• Varianza
Se denomina varianza a la desviación media con respecto a la media aritmética con
la diferencia de utilizar el valor absoluto, el cual se eleva al cuadrado, evitando
compensaciones y agrandando las diferencias. Así mismo se considera
el promedio a través de las diferencias, obteniéndose la varianza.

• Desviación típica
Es la raíz cuadrada que se obtiene de la varianza, las unidades en las que se mide
son iguales a los datos de la distribución.
 19. MEDIANA

19.1. Mediana
En este artículo se explica qué es la mediana de un conjunto de datos y cómo sacar
la mediana para datos sin agrupar y en datos agrupados. Además, podrás calcular
la mediana de cualquier serie de datos con la calculadora online que hay al final.

19.2. ¿Qué es la mediana?

En estadística, la mediana es el valor del medio de todos los datos ordenados de

menor a mayor. Es decir, la mediana divide todo el conjunto de datos ordenados en
dos partes iguales.

La mediana es una medida de posición central que sirve para describir una
distribución de probabilidad.

En general, suele usarse el término Me como símbolo de la mediana.

Las otras medidas de posición central son la media y la moda, más abajo veremos
las diferencias entre ellas. Asimismo, las métricas de posición no central son los
cuartiles, los quintiles, los deciles, los percentiles, etc.

Cabe destacar que la mediana de un conjunto de datos coincide con el segundo

cuartil, con el quinto decil y el percentil 50.

19.3. Cómo calcular la mediana

El cálculo de la mediana depende de si el número total de datos es par o impar:

 • Si el número total de datos es impar, la mediana será el valor que está
justo en el medio de los datos. Es decir, el valor que está en la posición
(n+1)/2 de los datos ordenados.

• Si el número total de datos es par, la mediana será la media de los

dos datos que están en el centro. Esto es, la media aritmética de los
valores que están en la posiciones n/2 y n/2+1 de los datos ordenados.

Donde es el número total de datos de la muestra.

Ejemplos del cálculo de la mediana

Para que puedas ver cómo se calcula la mediana, a continuación tienes dos
ejemplos resueltos, uno para cada caso. En primer lugar se calculará la mediana de
un conjunto de datos impar y, posteriormente, se realizará el cálculo de la mediana
con una serie de datos par.

19.4. Mediana de datos impares

• Calcula la mediana de los siguientes datos: 3, 4, 1, 6, 7, 4, 8, 2, 8, 4,

5
Lo primero que debemos hacer antes de realizar ningún cálculo es ordenar los
datos, por lo que ponemos los números de menor a mayor.

En este caso tenemos 11 observaciones, así que el número total de datos es impar.
Por lo tanto, aplicamos la siguiente fórmula para calcular la posición de la mediana:

De manera que la mediana será aquel dato que está en la sexta posición, que en
este caso corresponde al valor 4.
 19.5. Mediana de datos pares

• ¿Cuál es la mediana de las siguientes observaciones? 2, 6, 2, 8, 9, 4,

7, 11, 4, 13
Para poder sacar la mediana, primero tenemos que poner por orden creciente todos
los datos:

Este ejemplo es diferente al anterior, ya que esta vez tenemos un total de 10

observaciones, que es un número par. En consecuencia, el procedimiento para
determinar la media es un poco más complicado.

Primero tenemos que calcular las dos posiciones centrales entre las cuales se
encontrará la mediana, para ello debemos aplicar las siguientes dos fórmulas:

Así que la mediana estará entre la quinta y la sexta posición, que corresponden a
los valores 6 y 7 respectivamente. En concreto, la mediana será la media aritmética
de dichos valores:

19.6. Calculadora de la mediana

Introduce un conjunto de datos estadísticos en la siguiente calculadora para calcular

su mediana. Los datos deben separase por un espacio e introducirse usando el
punto como separador decimal.

Principio del formulario

Final del formulario

19.7. Mediana para datos agrupados

Para calcular la mediana cuando los datos están agrupados en intervalosprimero

debemos encontrar el intervalo o clase en el que se encuentra la mediana utilizando
la siguiente fórmula:
Así pues, la mediana estará en el intervalo cuya frecuencia absoluta acumulada sea
inmediatamente superior al número obtenido con la expresión algebraica anterior.

Y una vez sabemos el intervalo al que pertenece la mediana, tenemos que aplicar
la siguiente fórmula para hallar el valor exacto de la mediana:

Donde:

• Li es el límite inferior del intervalo en el que se halla la mediana.

• n es el número total de observaciones.
• Fi-1 es la frecuencia absoluta acumulada del intervalo anterior.
• fi es la frecuencia absoluta del intervalo en el que se encuentra la
mediana.
• Ii es la amplitud del intervalo de la mediana.
A modo de ejemplo, a continuación tienes resuelto un ejercicio en el que se calcula
la mediana de unos datos agrupados en intervalos

Para hallar la mediana del conjunto de datos, primero tenemos que determinar el
intervalo en el que se encuentra. Para ello, usamos la siguiente fórmula:

De manera que la mediana estará en el intervalo cuya frecuencia absoluta

acumulada sea inmediatamente superior a 15,5, que en este caso es el intervalo
[60,70) cuya frecuencia absoluta acumulada es 26. Y una vez conocemos el
intervalo de la mediana, aplicamos la segunda fórmula del proceso:

En definitiva, la mediana del conjunto de datos agrupados es 60,45. Como puedes

ver, en este tipo de problemas la mediana suele ser un número decimal.
 20. MEDIANA A PARTIR DE DATOS
AGRUPADOS

20.1. Fórmula y cálculo de la mediana para datos agrupados

La mediana se encuentra en el intervalo donde la frecuencia acumulada llega hasta

la mitad de la suma de las frecuencias absolutas.

Es decir tenemos que buscar el intervalo en el que se encuentre.

es el límite inferior de la clase donde se encuentra la mediana

es la semisuma de las frecuencias absolutas

es la frecuencia absoluta de la clase mediana

es la frecuencia acumulada anterior a la clase mediana

es la amplitud de la clase

La mediana es independiente de las amplitudes de los intervalos

Calcular la media, mediana y moda cuando trabajamos con datos agrupados en
intervalos o tablas de frecuencias con intervalos es muy sencillo, y solo se necesitan
algunas fórmulas.

20.2. Media

La media se calcula usando la siguiente fórmula:

Ejemplo 1

Determina la media de la siguiente distribución:

Dado que tenemos 5 intervalos, la media la calculamos usando la fórmula:

En la tabla, agregamos una columna donde colocaremos todos los valores de x.f :

Calculamos los valores de x.f :

Finalmente, calculamos el valor de la media, dividiendo la suma de valores de la
columna x.f entre n.

El valor de la media sería 9,810.

20.3. Mediana

Para estimar la mediana, hay que seguir 2 pasos:

• Encontrar el intervalo en el que se encuentra la mediana usando la

fórmula:

• Usar la fórmula de la mediana:

Donde:

• Li: límite inferior del intervalo en el cual se encuentra la mediana.

• n: número de datos del estudio. Es la sumatoria de las frecuencias
absolutas.
• Fi-1: frecuencia acumulada del intervalo anterior al que se encuentra la
mediana.
 • Ai: amplitud del intervalo en el que se encuentra la mediana.
• fi: frecuencia absoluta del intervalo en el que se encuentra la mediana.
Ejemplo 2

Encontrar la mediana de la siguiente distribución:

Para estimar el valor de la mediana, seguimos los 2 pasos.

Primero encontramos el intervalo en el cual se encuentra la mediana usando la

fórmula:

Este valor, lo buscamos en la columna de frecuencias acumuladas. Si no aparece,

buscamos el valor que sigue. Como vemos, después del 11 sigue el 14, por lo
tanto, la mediana se ubica en el intervalo 3.
Ahora, aplicamos la fórmula de la mediana:

El valor de la mediana, sería: Me = 9,667.

 20.4. Moda

Para estimar la moda, se siguen los siguientes pasos:

• Encontrar el intervalo en el cual se encuentra la moda, que es el

intervalo con mayor frecuencia absoluta.
• Usar la siguiente fórmula para estimar el valor de la moda:

Donde:

• Li: límite inferior del intervalo en el cual se encuentra la moda.

• fi-1: frecuencia absoluta del intervalo anterior en el que se encuentra la
moda.
• fi: frecuencia absoluta del intervalo en el que se encuentra la moda.
• fi+1: frecuencia absoluta del intervalo siguiente en el que se encuentra
la moda.
• Ai: amplitud del intervalo en el que se encuentra la moda.
Ejemplo 3

Encontrar la moda de la siguiente distribución:

Primero, encontramos el intervalo en el cual se encuentra la moda, es decir, el
intervalo con mayor frecuencia absoluta. El intervalo 3, tiene la mayor frecuencia
absoluta (6), por lo tanto, aquí se encontrará la moda.

Ahora, aplicamos la fórmula para estimar la moda:

Por lo tanto, el valor de la moda sería: Mo = 9,333.

 21. MODA A PARTIR DE DATOS AGRUPADOS

21.1. La Moda

La moda es el valor que se repite con mayor frecuencia en nuestro conjunto de

datos. Es importante aclarar que un conjunto de datos puede presentar desde una
moda, varias modas o ninguna. En un histograma de frecuencias absolutas, la
moda es la barra más alta de nuestro gráfico.
El símbolo de la moda es Mo, tanto para datos agrupados y no agrupados.

21.2. Formula de la Moda para Datos no Agrupados

Para calcular la moda (Mo) en datos no agrupados simplemente miramos el dato

que se repite con mayor frecuencia y esta será la moda.
Puede darse el caso de que tengamos dos o más modas, esto sucedería si dos o
más datos se repitieron con mayor e igual frecuencia en nuestro muestra.

21.3. Formula de la Moda para Datos Agrupados

La formula que usaremos para el cálculo de la moda, en el caso de que tengamos

datos agrupados será:

• Li es el limite inferior del intervalo con mayor frecuencia absoluta.

• fi-1 es la frecuencia absoluta anterior a la de mayor frecuencia.

• fi+1 es la frecuencia absoluta del siguiente intervalo al de mayor

frecuencia absoluta.
 • a es la amplitud del intervalo de mayor frecuencia absoluta.

Ejemplos resueltos sobre la Moda

Calculo de la moda para datos no agrupados

a) Dada la muestra con los siguientes valores 20, 23, 24, 25, 25, 26 y 30, calcular
la moda.

Solución:

En este caso Mo = 25, ya que es el dato que más repite. Se dice que es un
caso unimodal.
b) Dada muestra con los siguientes valores 20, 20, 23, 24, 25, 25, 26 y 30, calcular
la moda.

Solución:

En este caso Mo= 20 Mo= 25, ya que estos dos valores son los que más se repiten,
cada uno dos veces. Se dice entonces que es un caso bimodal.
c) Dada la muestra con los siguientes valores 20, 23, 20, 24, 25, 25, 26, 30 y 30,
calcular la moda.

Solución:

En este caso Mo= 20 M0= 25 y Mo=30, estos son los datos que más se repiten y
con una frecuencia de dos veces cada uno. Se dice entonces que es un
caso multimodal.
Calculo de la moda para datos agrupados
d) Dada la siguiente distribución de frecuencias, calcular lo moda para dicha
muestra.
Solución:

En este caso estamos abordando un ejercicio con datos agrupados en intervalos,

por ende debemos usar la formula para tal caso.

Por definición la moda para datos agrupados es:

Ahora procedemos a hallar cada valor independiente de nuestra formula y a
calcular la Mo.

21.4. Relación entre Media, Mediana y Moda con la distribución de

frecuencias

Dados los valores de la media, la mediana y la moda podemos deducir el tipo de

distribución se establece en nuestra prueba. Los casos que podemos tener con
relación a estas tres medidas de tendencia central son :
• Si la media, la mediana y la moda son iguales, contamos con
una distribución simétrica.
• En el caso de que la media > mediana, contamos con una distribución
asimétrica sesgada a la derecha.
• En el caso de que la media < mediana, contamos con una distribución
asimétrica sesgada a la izquierda.
• Si la media es igual a la mediana y existen dos modas, estamos
hablando de una distribución bimodal, caso que es poco frecuente.
 22. MEDIDAS DE DISPERCIÓN

¿Trabajas realizando análisis estadísticos? Posiblemente, hayas oído sobre las

medidas de dispersión. Este concepto que pertenece a la rama de la estadística
descriptiva, hace referencia al grado en que las observaciones se dispersan o
separan de la media.
Aunque no lo creas, la estadística es muy útil en diversos campos, pues permite
comprender mejor la información que se está analizando y en base a
ello, realizar estrategias en función a los objetivos deseados. Por eso, entender bien
para qué sirven las medidas de dispersión resulta clave para usarlas correctamente
en diferentes situaciones.
Como destaca Jorge Karam, profesor del curso online de Analiza datos con Power
BI, “para generar impacto, los datos deben traducirse en información clara y
concreta, tu organización debe entender cada implicancia de la data que recoge
para poder tomar decisiones acertadas”.
Teniendo esto en consideración, hemos elaborado esta nota que te permitirá
conocer mejor uno de los conceptos más relevantes de la estadística: las medidas
de dispersión. Te explicaremos a profundidad qué son las medidas de dispersión y
para qué sirven. Además, te contaremos cuáles son las principales medidas de
dispersión y el uso de cada una de ellas.
Definición de las medidas de dispersión

Las medidas de dispersión consisten en números que otorgan información acerca

de la variabilidad de los datos. Es decir, se encargan de mostrar qué tan juntos o
separados se encuentran los datos de una distribución. Por lo general, se usa junto
con las medidas de tendencia central, como la media o la mediana, para
proporcionar una descripción general de un conjunto de datos.
Como resalta Matemovil, “los valores de las medidas de dispersión nos permiten
saber si los datos se encuentran estrechamente agrupados, si se encuentran
ampliamente dispersos o si son iguales”.
Cuando la medida de dispersión posee un valor pequeño, esto quiere decir que los
datos están ubicados cerca a la posición central, mientras que cuando tienen un
valor grande, quiere decir que están más separados o alejados al centro.

Entonces, considerando lo mencionado, podemos definir las medidas de dispersión

como las medidas estadísticas orientadas en dar a conocer qué tan lejanas o
próximas se encuentran las puntuaciones de una variable, respecto a la media o
promedio aritmético.
22.1. Características de las medidas de dispersión

Ahora que ya tienes más claro el concepto de las medidas de dispersión o

variabilidad, te brindaremos algunas de sus características más representativas
para que no te pierdas de ningún detalle:

• Las medidas de dispersión indican qué tan diseminados se encuentran los

datos de una distribución.
• Permite conocer qué tan cerca o lejos de la media se encuentran los datos.
• Las medidas de variabilidad te dan la posibilidad de saber la
homogeneidad o heterogeneidad de las distribuciones de los datos.
• Su aplicación es fácil y rápida.
• Su valores de dispersión siempre son positivos o cero, en caso estos sean
iguales.
• El uso de las medidas de dispersión se puede aplicar en diversos ámbitos,
como el sector salud, industrial, económico empresarial, etc.

Sabemos que el objetivo de medir la dispersión es determinar el grado de

desviación que existe en los datos y, por lo tanto, los límites dentro de los cuales los
datos variarán en alguna variable, atributo o cualidad medible. En ese sentido, las
medidas de dispersión son de gran importancia y ocupan una posición única en los
métodos estadísticos.
Para que puedas comprender cuál es la utilidad de las medidas de dispersión,
veamos sus principales aplicaciones:
22.2. Ayudan a entender el conjunto de datos
El uso más importante de las medidas de dispersión es que ayudan a comprender
la distribución de los datos. A medida que los datos se vuelven más diversos, el
valor de la medida de dispersión aumenta.
Por eso, el conocimiento de la dispersión es vital en la comprensión de la
estadística. Básicamente, te ayuda a comprender conceptos como la diversificación
de los datos, cómo se distribuyen y cómo se mantienen sobre el valor central o la
tendencia central.
Además, las medidas de dispersión en la estadística te brinda una forma de obtener
mejores conocimientos sobre la distribución de datos. Por ejemplo, 3 muestras
distintas pueden tener la misma media, mediana o rango, pero niveles de
variabilidad completamente diferentes.

22.3. Complementan la información dada por las medidas de tendencia central

Las medidas de dispersión también se denominan promedios de segundo orden, es
decir, promediar por segunda vez las desviaciones de una medida de tendencia
central.

Proporciona una estimación de los fenómenos a los que se refieren los datos
dados(originales). Esto aumenta la precisión del análisis y la interpretación
estadísticos, por lo que podrás estar en posición de sacar inferencias más
confiables.

22.4. Hacen posible la comparación entre diferentes grupos

Si los datos originales se expresan en unidades diferentes, no será posible realizar
comparaciones. Pero con la ayuda de medidas de dispersión relativas, todas estas
comparaciones se pueden hacer fácilmente. La comparación precisa entre la
variabilidad de dos series conducirá a resultados confiables.
22.5. Sirven como un control útil para evitar conclusiones erróneas en la
comparación de datos
La media aritmética puede ser la misma de dos grupos diferentes, pero no revelará
la prosperidad de un grupo y el atraso de otro. Este tipo de composición interna
puede conocerse mediante la aplicación de las medidas de dispersión.

Por lo tanto, con la ayuda de las medidas de dispersión o variabilidad, no concluirás

que ambos grupos son similares. Puedes encontrar que un grupo es próspero y el
otro está atrasado al conocer la cantidad de variabilidad alrededor de las medidas
de tendencia central.

Las medidas de dispersión son de gran valor en un análisis estadístico siempre que
se pongan en práctica los coeficientes de dispersión. De lo contrario, las
conclusiones extraídas no serán fiables en gran medida.

22.6. Controlan la variabilidad

Diferentes medidas de dispersión te brindan datos de variabilidad desde diferentes
ángulos, y este conocimiento puede resultar útil para controlar la variación. Sobre
todo,en el análisis financiero de los negocios y la medicina, estas medidas de
dispersión pueden resultar muy útiles.
Además, proporcionan la base para análisis estadísticos posteriores, como el
cálculo de la correlación, la regresión, la prueba de hipótesis, etc.

22.7. Tipos de medidas de dispersión

Las medidas de dispersión se pueden clasificar en dos amplias categorías. Estas

son medidas de dispersión absoluta y medidas de dispersión relativa. Dicho esto,
veamos a profundidad cada una de ellas. ¡Toma nota!

22.8. Medidas de dispersión absoluta

Las medidas de dispersión absoluta se encargan de presentar qué tan separados o
juntos están los datos, así como mostrar la variabilidad en función al promedio de
las desviaciones de observación. Todo ello apoyándose en medidas que
mencionaremos, a continuación:
22.8.1. Rango
El rango o recorrido es una medida de dispersión que hace referencia a la diferencia
entre los valores extremos de un conjunto. Es decir, la resta entre su valor máximo
y el mínimo.
• R: Xmax - Xmin

Donde:

• Rango: R
• Valor Máximo de la muestra: Xmax
• Valor Mínimo de la muestra: Xmin
Características
• El recorrido permite conocer la distancia entre el máximo y el mínimo
valor.
• Es la medida de dispersión más simple.
• Es más sencillo de entender y calcular.
• El uso del rango se limita a la concepción de ideas iniciales.
• Solo considera a los valores extremos, más no a los que se ubican en el
intermedio.
22.8.2. Desviación media
Esta medida de dispersión es la diferencia entre los valores de la variable
estadística y la media aritmética. Es decir, la media de las desviaciones absolutas,
la cual se expresa de la siguiente manera:
• Dm = 1/n [| x1 – A |+| x2– A |+| xn – A |]

Características
• La desviación media utiliza todas las observaciones para el cálculo.
• Es compleja y poco comprensible.
• El cálculo demanda bastante tiempo.
22.8.3. Desviación estándar o típica
Otra de las medidas de dispersión es la desviación estándar o típica. Se trata de la
raíz cuadrada de la media aritmética de los cuadrados de los valores de las
desviaciones. En resumen, es la raíz cuadrada de la varianza y es representada de
la siguiente manera:
• S= +√ [|x1 – A |2 n1] / N

• S=+√S2

Características
• La desviación típica presta mayor atención a las desviaciones extremas
respecto al resto de desviaciones.
• Es difícil de comprender y calcular.
• Resulta cero si las demás observaciones permanecen iguales.

22.8.4. Varianza
La última de las medidas de dispersión absoluta es la varianza. Esta representa la
variabilidad de un conjunto de datos respecto a su media aritmética. Se representa
como el cuadrado de las desviaciones frente a la media de una distribución
estadística y es expresada a través de la siguiente sintaxis:
• S2= Σ |x1 – A |2 n1 / N

Características
• Se le puede añadir un valor a cada puntuación de la variable y la varianza
permanecerá constante.
• La varianza no cuenta con valores negativos, solo positivos o cero.

22.9. Medidas de dispersión relativa

Las medidas de dispersión relativa se utilizan para comparar la distribución de
diversas muestras. Es decir, te permiten saber qué tan separados o dispersos se
encuentran las puntuaciones en la distribución estadística, independientemente de
cómo se presenten. Para ello, se apoyan en las siguientes medidas de dispersión
relativa:
22.9.1. Coeficiente de variación
Esta medida de dispersión relativa brinda información sobre la dispersión relativa
de un conjunto de datos respecto a la media o promedio aritmético y a su vez, la
dispersión de los datos entre sí.
Básicamente, se utiliza para comparar el conjunto de datos con respecto a la
homogeneidad o consistencia. Esta se expresa en forma de porcentaje de la
siguiente manera:
• CV = (σ / X) 100

• X = desviación estándar

• σ = media

Características
• El coeficiente de variación es calculado como cociente entre la desviación
estándar y la media aritmética.
• Representa un número abstracto.
• Indica el grado de variabilidad de un conjunto de datos.
• Revela la representatividad de la media.

22.9.2. Coeficiente de rango

Es la medida de dispersión relativa que consiste en la relación entre la diferencia
del valor más alto y valor el más bajo en un conjunto de datos, y la suma del valor
más alto y valor más bajo.
En pocas palabras, se calcula como la razón de la diferencia entre los términos
mayor y menor de la distribución, a la suma de los términos mayor y menor de la
distribución. Esta es la fórmula:
• L-S / L + S

• donde L = valor más grande

 • S = valor más pequeño

22.9.3. Coeficiente de desviación media

Se puede definir como la relación entre la desviación media y el valor del punto
central a partir del cual se calcula. Esta medida de dispersión relativa se representa
de la siguiente manera:
• Desviación media utilizando la media: ∑ | X-M | / norte

• Desviación media utilizando la media: ∑ | X-X1 | / norte

22.9.4. Coeficiente de desviación del cuartil

Es la razón de la diferencia entre el tercer cuartil y el primer cuartil a la suma del
tercer y primer cuartil. La fórmula de esta medida de dispersión relativa se define
así:
• (T3 – T3) / (T3 + T1)

• Q3 = Cuartil superior

• Q1 = Cuartil inferior

22.9.5. Coeficiente de desviación estándar

Otra de las medidas de dispersión relativa es el coeficiente de desviación estándar.
Se trata de la relación de la desviación estándar con la media de la distribución de
términos. Esta es su fórmula:
• σ = ( √( X – X1)) / (N - 1)

• Desviación = (X – X1)

• σ = desviación estándar

• N= número total
En definitiva, las medidas de dispersión absolutas y relativas son muy útiles al
calcular diferentes aspectos de los datos. De hecho, cuando las usas con la ciencia
de datos, lograr esto se vuelve más fácil, de modo que puedas incorporar
la automatización de procesos en tu empresa fácilmente.

Ejemplo de medida de dispersión

Estamos seguros que ya tendrás una idea de cómo puede presentarse estas
medidas de dispersión en las situaciones cotidianas o los negocios. Sin embargo,
para que no quede ninguna duda relacionada a esta medida estadística, te
brindaremos un ejemplo en el cuál se hace evidente su importancia.
Imagínate que te vas de viaje con tus amigos y el hotel dónde se están alojando
cuenta con una piscina que tiene una media de 1.60 metros. Considerando que tu
altura es de 1.70 metros, podrías pensar entrar a la piscina sin ningún
inconveniente.

Sin embargo, como no sabes nadar, prefieres ser precavido y conocer si toda la
piscina cuenta con la misma profundidad. Para ello, te diriges donde el salvavidas y
le consultas cuál es la altura máxima y mínima, ya que, en base a eso, podrás decidir
si puedes utilizar toda la piscina o solo moverte hasta un determinado punto.

Resulta que la altura máxima de la piscina es de 1.80 metros; mientras que la

mínima es de 1.40 metros. Esto quiere decir que si te mueves hasta el punto más
profundo, puede ser que corras peligro, pues según el ejemplo de medida de
dispersión, no sabes nadar, por lo que lo más recomendable sería ingresar con
algún flotador o solo moverte hasta la mitad de la piscina.
 23. DESVIACIÓN MEDIA SIMPLE

Como su nombre indica, la desviación respecto a la media da información de lo alejado

o cerca que está un dato de los demás datos del conjunto. Intuitivamente, ya se ve que
se puede calcular como la diferencia entre un dato y la media de los datos: Di=xi−x―

Se puede observar que para calcular esta desviación, si se dispone de la media, sólo
se requiere aquel valor la desviación del cual se quiere calcular.

También cabe comentar que teniendo uno de los datos y su desviación respecto a la
media, se puede despejar la media aplicando una simple resta:x―=xi−Diy
posteriormente usarla para calcular las demás desviaciones.

Ejemplo

En el examen de matemáticas Pedro ha sacado un 9, la media de la clase es de 6.7.

Calcular la desviación respecto a la media de la nota de Pedro.

Aplicando la fórmula Di=xi−x―=9−6.7=2.3

El signo de la desviación respecto a la media indica si el valor está por encima de la

media (signo positivo), o por debajo de la media (signo negativo).

El valor absoluto de la desviación respecto a la media indica lo lejos que está el valor de
la media. Un valor igual a cero indica que el valor coincide con la media, mientras que
un valor elevado con respecto a las demás desviaciones informa de que el dato está
alejado de los demás datos.

Ejemplo

En un partido de baloncesto, se tiene la siguiente anotación en los jugadores de un

equipo: 0,2,4,5,8,10,10,15,38. Calcular la desviación respecto a la media de las
puntuaciones de los jugadores del equipo.
Aplicando la fórmula x―=0+2+4+5+8+10+10+15+389=929=10.22se obtiene la media.
Las desviaciones se pueden representar en una tabla:

Puntuación Di=xi−x―=xi−10.22

0 −10.22

2 −8.22

4 −6.22

5 −5.22

8 −2.22

10 −0.22

10 −0.22

15 4.78

38 27.78

Ejemplo

En la siguiente tabla se muestran las notas de Juan en los exámenes de matemáticas

durante el año. Calcular las distintas desviaciones respecto a la media.

Nota fi

3 1

4 3

5 4

6 2

7 3

9 1
Primero se calcula la

media x―=3⋅1+4⋅3+5⋅4+6⋅2+7⋅3+9⋅11+3+4+2+3+1=7714=5.5Seguidamente, ya se
puede calcular la desviación respecto a la media, incluyéndola en la tabla:

Nota fi Di=xi−x―=xi−5.5

3 1 −2,5

4 3 −1,5

5 4 −0,5

6 2 0,5

7 3 1,5

9 1 3,5

23.1. Desviación media

La desviación media es la media aritmética de los valores absolutos de las desviaciones

respecto a la media. Se simboliza por Dx― y se calcula aplicando la
fórmulaDx―=∑i=1N|xi−x―|N=|x1−x―|+|x2−x―|+…+|xN−x―|NInforma de lo muy
dispersados (o no) que están los datos. Una desviación media elevada implica mucha
variabilidad en los datos, mientras que una desviación media igual a cero implica que
todos los valores son iguales y por lo tanto coinciden con la media.

Ejemplo

Los resultados de Jorge en dibujo técnico a lo largo del curso son los
siguientes: 8,7,9,8,8,10,9,7,4,9. Calcular la desviación media.
El primer paso consiste en hallar la

Media x―=8+7+9+8+8+10+9+7+4+910=7910=7.9Seguidamente se aplica la

definición:Dx―=|8−7.9|+|7−7.9|+|9−7.9|+|8−7.9|+|8−7.9|+10=+|10−7.9|+|9−7.9|+|7−7.9
|+|9−7.9|10==0.1+0.9+1.1+0.1+0.1+2.1+1.1+0.9+3.9+1.110=11.410=1.14

Ejemplo

En un partido de baloncesto, se tiene la siguiente anotación en los jugadores de un

equipo: 0,2,4,5,8,10,10,15,38. Calcular la desviación media de las puntuaciones de los
jugadores del equipo.

Aplicando la fórmula x―=0+2+4+5+8+10+10+15+389=929=10.22se obtiene la media.

Las desviaciones se pueden representar en una tabla:

Puntuación Di=xi−x―−10,22

0 −10.22

2 −8.22

4 −6.22

5 −5.22

8 −2.22

10 −0.22

10 −0.22

15 4.78

38 27.78

Aplicando la
fórmulaDx―=10.22+8.22+6.22+5.22+2.22+0.22+0.22+4.78+27.789=65.19=7.23se
obtiene la desviación media.
 23.2. Cálculo de la desviación media para datos agrupados

Si los N datos se agrupan en n clases se aplica la

fórmula Dx―=∑i=1n|xi−x―|fiN=|x1−x―|f1+|x2−x―|f2+…+|xn−x―|fnN

Ejemplo

La altura en cm de los jugadores de un equipo de baloncesto está en la siguiente tabla.

Calcular la desviación media.

xi fi

[160,170) 165 1

[170,180) 175 2

[180,190) 185 4

[190,200) 195 3

[200,210) 205 2

Primero de todo rellenar la siguiente tabla

xi fi xifi |xi−x―| |xi−x―|fi

[160,170) 165 1 165 22.5 22.5

[170,180) 175 2 350 12.5 25

[180,190) 185 4 740 2.5 10

[190,200) 195 3 585 7.5 22.5

[200,210) 205 2 410 17.5 35

12 2250 115

Se calcula la media x―=225012=187.5 para poder rellenar las dos últimas columnas.

Se calcula finalmente la desviación media: Dx―=11512=9.58.

 24. VARIANZA SIMPLE

24.1. Varianza: Qué es y cómo se calcula

La varianza es la medida de dispersión más utilizada, junto con la desviación

estándar. Es una medida fiable a la hora de analizar los datos de una distribución.
Al compararlo con la media, se puede reconocer la presencia de valores atípicos o
datos distantes.

Conozcamos más sobre esta medida, sus características, ventajas y cómo

calcularla.

24.2. Qué es la varianza

La varianza es una medida de dispersión que representa la variabilidad de una serie

de datos con respecto a su media. Formalmente, se calcula como la suma de los
cuadrados de los residuos dividida por las observaciones totales.

También puede calcularse como la desviación estándar al cuadrado. Por cierto,

entendemos el residuo como la diferencia entre el valor de una variable a la vez y
el valor medio de toda la variable.

El cálculo de la varianza es necesario para calcular la desviación estándar.

Quizá te interese conocer qué es la media, la mediana y la moda.

24.3. Ventajas y desventajas de la varianza

La varianza se utiliza para ver cómo se relacionan los números individuales dentro
de un conjunto de datos, en lugar de utilizar técnicas matemáticas más amplias.
También se distingue por tratar a todas las desviaciones de la media como si fueran
iguales, independientemente de su dirección. Las desviaciones al cuadrado no
pueden sumar cero y dar la apariencia de que no hay variabilidad en los datos.

Sin embargo, un inconveniente es que da más peso a los valores atípicos. Estos
son números alejados de la media. Elevar al cuadrado estos números puede sesgar
los datos.

Otro inconveniente del uso de la varianza es que no es fácil de interpretar. Se suele

emplear principalmente para sacar la raíz cuadrada de su valor, que indica la
desviación estándar de los datos.

Ejemplo de varianza

He aquí un ejemplo hipotético para demostrar cómo funciona la varianza, es este

caso en el rubro de finanzas. Supongamos que los rendimientos de las acciones de
la empresa ABC son del 10% en el primer año, del 20% en el segundo y del -15%
en el tercero. La media de estas tres rentabilidades es del 5%. Las diferencias entre
cada rendimiento y la media son del 5%, 15% y -20% para cada año consecutivo.

Al elevar al cuadrado estas desviaciones se obtiene un 0,25%, un 2,25% y un

4,00%, respectivamente. Si sumamos estas desviaciones al cuadrado, obtenemos
un total del 6,5%. Si dividimos la suma del 6,5% entre uno menos el número de
rendimientos del conjunto de datos, ya que se trata de una muestra (2 = 3-1), nos
da una varianza del 3,25% (0,0325). Si se saca la raíz cuadrada de la varianza, se
obtiene una desviación estándar del 18% (√0,0325 = 0,180) para los rendimientos.

24.4. Cómo se calcula la varianza

Siga estos pasos para calcular la varianza:

• Calcula la media de los datos.

 • Encuentra la diferencia de cada punto de datos con respecto al valor medio.
• Eleva al cuadrado cada uno de estos valores.
• Suma todos los valores elevados al cuadrado.
• Divide esta suma de cuadrados entre n – 1 (para una muestra) o N (para la
población).

24.5. Fórmula para calcular la varianza

Antes de ver la fórmula, hay que decir que la varianza en estadística es muy
importante. Porque, aunque es una medida sencilla, puede aportar mucha
información sobre una variable concreta.

La unidad de medida será siempre la unidad de medida correspondiente a los datos

pero al cuadrado. La varianza es siempre mayor o igual a cero. Como los residuos
se elevan al cuadrado, es matemáticamente imposible que la varianza sea negativa.
Y, por tanto, no puede ser inferior a cero.

24.6. ¿Cuál es la diferencia entre varianza y desviación estándar?

En realidad, las dos están midiendo lo mismo. La varianza es la desviación estándar

al cuadrado. O a la inversa, la desviación estándar es la raíz cuadrada de la
varianza.
La desviación estándar se hace funcionar en las unidades de medida originales. Por
supuesto, dado que esto es normal, cabe preguntarse qué sentido tiene la varianza
como concepto. Pues bien, aunque la interpretación del valor que devuelve no nos
da mucha información, su cálculo es necesario para obtener el valor de los demás
parámetros.

Para calcular la covarianza necesitamos la varianza y no la desviación estándar,

para calcular algunas matrices econométricas se utiliza la varianza y no la
desviación estándar. Se trata de una cuestión de comodidad a la hora de trabajar
con los datos según qué cálculos.

24.7. ¿Por qué la desviación estándar se utiliza a menudo más que la

varianza?

La desviación estándar es la raíz cuadrada de la varianza. A veces es más útil, ya

que al tomar la raíz cuadrada se eliminan las unidades del análisis. Esto permite
realizar comparaciones directas entre diferentes cosas que pueden tener diferentes
unidades o diferentes magnitudes.

Por ejemplo, decir que el aumento de X en una unidad aumenta Y en dos

desviaciones estándar permite entender la relación entre X e Y independientemente
de las unidades en que se expresen.

Conclusión

La varianza se utiliza en estadística y probabilidad como medida para caracterizar

la dispersión de una distribución o muestra. En concreto, se define como la media
de los cuadrados de las desviaciones de la media. La consideración del cuadrado
de estas desviaciones evita que las desviaciones positivas y negativas se anulen
entre sí.
Visualmente, una distribución con una varianza grande estará más repartida,
mientras que una distribución con una pequeña estará muy apretada alrededor de
su media.

El término varianza se refiere a una medida estadística de la dispersión entre

números en un conjunto de datos. Más específicamente, la varianza mide qué tan
lejos está cada número del conjunto de la media (promedio) y, por lo tanto, de todos
los demás números del conjunto. La varianza a menudo se representa con este
símbolo: σ2. Lo utilizan tanto los analistas como los comerciantes para determinar
la volatilidad y la seguridad del mercado.
La raíz cuadrada de la varianza es la desviación estándar (SD o σ), que ayuda a
determinar la consistencia de los rendimientos de una inversión durante un período
de tiempo.

Puntos clave

• La varianza es una medida de la dispersión entre números en un conjunto de

datos.
• En particular, mide el grado de dispersión de los datos alrededor de la media
muestral.
• Los inversores usan la varianza para ver cuánto riesgo conlleva una inversión
y si será rentable.
• La varianza también se usa en finanzas para comparar el rendimiento relativo
de cada activo en una cartera para obtener la mejor asignación de activos.
• La raíz cuadrada de la varianza es la desviación estándar.

Comprender la varianza
En estadística, la varianza mide la variabilidad de la media o la media. Se calcula
tomando las diferencias entre cada número en el conjunto de datos y la media, luego
elevando al cuadrado las diferencias para que sean positivas y finalmente dividiendo
la suma de los cuadrados por el número de valores en el conjunto de datos.
 25. DESVIACIÓN ESTÁNDAR SIMPLE PARA
DATOS AGRUPADOS Y DATOS NO
AGRUPADOS

25.1. ¿Qué es la desviación estándar agrupada?

La desviación estándar agrupada es un método para estimar una sola desviación

estándar que represente a todas las muestras o los grupos independientes incluidos
en el estudio cuando se parte del supuesto de que provienen de poblaciones con
una desviación estándar común. La desviación estándar agrupada es la dispersión
promedio de todos los puntos de los datos alrededor de su media grupal (no de la
media general). Es un promedio ponderado de la desviación estándar de cada
grupo. La ponderación da a los grupos más grandes un efecto proporcionalmente
mayor sobre la estimación general. Las desviaciones estándar agrupadas se utilizan
en las pruebas t de 2 muestras, los ANOVA, las gráficas de control y el análisis de
capacidad.

Ejemplo de una desviación estándar agrupada

Supongamos que un estudio tiene los cuatro grupos siguientes:

Grupo Media Desviación estándar N

1 9.7 2.5 50

2 12.1 2.9 50
 Grupo Media Desviación estándar N

3 14.5 3.2 50

4 17.3 6.8 200

Los primeros tres grupos tienen el mismo tamaño (n=50) con desviaciones estándar
de aproximadamente 3. El cuarto grupo es mucho más grande (n=200) y tiene una
desviación estándar mayor (6.8). Puesto que la desviación estándar agrupada utiliza
un promedio ponderado, su valor (5.486) está más cerca de la desviación estándar
del grupo más grande. Si usted utilizara un promedio simple, entonces todos los
grupos tendrían el mismo efecto.

25.2. Cálculo manual de la desviación estándar agrupada

Supongamos que C1 contiene la respuesta y C3 contiene la media de cada nivel de

los factores. Por ejemplo:

C1 C2 C3

Respuesta Factor Media

18.95 1 14.5033

12.62 1 14.5033

11.94 1 14.5033
 C1 C2 C3

Respuesta Factor Media

14.42 2 10.5567

10.06 2 10.5567

7.19 2 10.5567

25.3. Varianza y desviación estándar para datos agrupados por intervalos

Si necesitamos calcular la varianza y la desviación estándar de un conjunto de datos
agrupados por intervalos en un tabla de frecuencias, usaremos las fórmulas que
revisaremos en esta clase.

25.4. Fórmulas para la varianza y desviación estándar de datos agrupados

Donde:

• k: número de clases.
• fi: frecuencia absoluta de cada clase, es decir, el número de elementos
que pertenecen a dicha clase.
• xi: marca de clase. Es el punto medio del límite inferior y del límite
superior.
• σ2: varianza de la población.
• σ: desviación estándar de la población.
• μ: media de la población.
• s2: varianza de la muestra.
• s: desviación estándar de la muestra.
• x̄: media de la muestra.
Tenemos siempre que fijarnos si estamos trabajando con datos que forman una
población o con datos que forman una muestra, pues las fórmulas son diferentes.

En los problemas, seguiremos los siguientes pasos:

1. Calculamos el número de elementos.

2. Calculamos las marcas de clase.
3. Calculamos la media.
4. Calculamos la varianza.
5. Calculamos la desviación estándar, que es la raíz cuadrada de la
varianza.

Ejemplo 1:

Calcular la varianza y la desviación estándar de una población de niños a partir de

la siguiente tabla:
Solución:

En este caso, nos dicen que los datos pertenecen a una población de niños, por lo
tanto, usaremos las fórmulas de la población.

Primero calculamos el número de elementos de la población N:

Con ayuda de la tabla, calculamos la suma de las frecuencias fi.

Ahora sí, calculamos N.

Como segundo paso, calcularemos las marcas de clase. Recordemos que la marca
de clase xi, es el punto medio del límite inferior y el límite superior de cada intervalo.
Se calcula con la siguiente fórmula:

Agregamos una columna más a nuestra tabla para la marca de clase xi:
Como tercer paso, calculamos la media poblacional µ:

Agregamos una columna más a nuestra tabla, dónde colocaremos los valores de xi
・fi:
Aplicamos la fórmula:

La media poblacional µ tiene un valor de 4 años.

Como cuarto paso, calculamos la varianza de la población:

Agregamos más columnas a nuestra tabla, buscando la forma de la fórmula de la

varianza:
Aplicamos la fórmula de la varianza de la población:

Recuerda que la varianza queda expresada en unidades al cuadrado, por ello, nos
queda en años al cuadrado.

Como último paso, calculamos la desviación estándar, recordando que es la raíz

cuadrada positiva de la varianza.

El valor de la desviación estándar poblacional σ es de 2,175 años.

 26. PROBABILIDADES

26.1. La probabilidad: qué es y cómo la utilizamos en el día a día

En esta entrada vamos a aprender un montón de cosas sobre probabilidad:

qué es, para qué sirve, cómo se calcula y algunos de los ejemplos que nos
podemos encontrar en el día a día.

26.2. Qué es la probabilidad

Una de las características más especiales de los seres humanos, que nos
diferencia del resto de animales, es nuestra capacidad de “predicción”, de
anticiparnos a los acontecimientos que van a ocurrir. A veces fallamos, pero
otras muchas no. Esta capacidad nos ha permitido llegar hasta donde estamos
hoy, pudiendo predecir tanto peligros como oportunidades. Piénsalo, nuestros
antepasado que eran capaces de predecir el ataque de un depredador fuer on
los que sobrevivieron. Ahora, decenas de miles de años después hemos dado
un paso más y nos preguntamos ¿qué es la probabilidad?
La probabilidad es el cálculo matemático que evalúa las posibilidades que
existen de que una cosa suceda cuando interviene e l azar.
Vamos a plantear un par de ejemplos, porque la probabilidad -como tantos
conceptos en matemáticas, es una construcción abstracta, pero con ejemplos
se entiende mejor.
Si giras la siguiente ruleta, ¿en qué números se puede parar?
La ruleta se puede parar en un número del uno al cinco. Hemos construido,
sin darnos cuenta, lo que se llama un experimento (girar una ruleta) y
el espacio muestral (los números del uno al cinco). El espacio muestral es un
conjunto que tiene por elementos los sucesos que se pueden dar, esto es, los
números del uno al cinco.
Por nuestras experiencias en el mundo de los juegos ya sabemos más cosas
del experimento anterior. Es posible que la ruleta se pare en uno de esos
números y es imposible que salga un ocho, por ejemplo. ¡Sabemos un montón
de probabilidad y no nos dábamos cuenta!
Vamos a plantear otro experimento, en otro contexto distinto:
Viendo este aparcamiento, si sale un coche de los que están aparcados, ¿de
qué color podría ser?

Las posibilidades están muy claras, del aparcamiento podría salir un coche
rojo o un coche amarillo. Es imposible que salga un coche verde, o una moto
azul. Pero, aunque es posible que salga un coche amarillo, hay mucha
más probabilidad de que sea rojo, porque hay muchos más coches rojos que
amarillos.

26.3. Cómo se calcula la probabilidad

Para calcular la probabilidad, continuando con el ejemplo anterior, no hay más

que contar los coches que hay de cada color. Como 6 de los 7 coches del
aparcamiento son rojos, podemos plantearlo como una fracción: la
probabilidad de que del aparcamiento salga un coche rojo será una fracción
con numerador 6 (el número de coches rojos) y denominador 7 (el número
total de coches).
La probabilidad de que salga un coche rojo sería igual a 67. La probabilidad
de que salga un coche amarillo sería igual a 17. La probabilidad de que salga
un coche azul sería 0, porque no hay coches azules aparcados.
Generalizando esta idea llegamos a cómo se calcula la probabil idad: con una
fracción que se suele llamar regla de Laplace. Ponemos en el numerador
el número de casos favorables y en el denominador el número de casos
posibles.
Ya podemos calcular probabilidades de sucesos sencillos. Por ejemplo,
podemos hacer predicciones de las bolas que pueden salir de este

bombo:
En el bombo hay 8 bolas:

• La probabilidad de que salga una concreta de él es 18

• Pero cuatro bolas son iguales, y tienen el número 5, por lo que la probabilidad
de que salga un cinco es 48. Si te piden que apuestes por algún resultado, el
más probable es el cinco.
Los matemáticos, viendo los beneficios que se pueden obtener de estas
predicciones, han desarrollado mucho este campo y, en Smartick, también lo
hemos hecho, con una secuencia de ejercicios ordenados por nivel y que se
adapta al aprendizaje de cada uno.

Ejemplo: Lanzar una moneda al aire

Si lanzas una moneda la probabilidad de que salga cara es 12, fíjate que es la
misma de que salga cruz.

Ejemplo: Tirar un dado

Si lanzas un dado de seis caras la probabilidad de que salga un tres será 16.
También puedes calcular la probabilidad de que salga un número par, ya que
las caras que muestran un número par son 3 (2, 4 y 6) de un total de seis
caras, es, por tanto, 36=12

26.4. Para qué sirve la probabilidad

La probabilidad se utiliza en muchas áreas como las matemáticas, la

estadística, la física, la economía, las ciencias sociales, entre otras. Los
primeros estudios de probabilidad se desarrollaron para resolver problemas
de juegos y es allí dónde más se nota su uso, porque te puede servir para
tener más oportunidades de ganar, o para ahorrarnos dinero (al no jugar a
juegos en los que es muy probable perder).

Ejemplo pares y nones

Fíjate el siguiente ejemplo vinculado al juego infantil de Pares y nones.

Pares y nones es un juego que se utiliza para elegir entre dos personas a una
de las dos. Dos personas eligen entre par o impar, y sacan a la vez un número
de dedos de una mano que tenían detrás de la espalda. En función de que la
suma de los dedos que hayan sacado sea par o impar se elegirá al que eligió
esa opción.
La sorpresa, si has jugado alguna vez a pares y nones, es que no es igual de
probable que salga una opción o la otra, no es como lanzar una moneda al
aire, no es un juego justo. La probabilidad demuestra que hay más
posibilidades de que salga un número par que uno impar.
Puedes verlo en esta tabla, donde están marcados los números pares en
amarillo. Si te fijas hay 25 resultados posibles y 13 de ellos son números
pares.

La diferencia es pequeña, pero si juegas «pares» tienes un 4% más de

probabilidad de ganar, ya que 1325=0,52, mientras que 1225=0,48.

Ejemplo Lotería de Navidad

Si crees que un 4% es muy poco, te sugiero que no compres lotería ya que la

probabilidad de que salga en número de los cien mil que hay en el bombo
es 1100000=0,00001, un diminuto 0,001%. Ese número es aproximadamente
el mismo que el de elegir una gota de agua correcta en un bidón de cinco
litros.
Pero no todos los sucesos dependen de la probabilidad, muchos están
condicionados por otros factores.
Por ejemplo, imagina que quieres aumentar la probabilidad de aprobar
un examen de matemáticas. Para ello es mejor que no juegues al azar, el gran
truco para aprobar tu examen de mates es: ¡Hacer tu pr áctica diaria
con estudiar, participar en clase, alimentarte saludablemente y descansar. Si
sigues estos consejos, es como si trucaras una moneda o un dado antes de
lanzarlo. Sabes de antemano que el resultado te va a ser favorable.

26.5. Probabilidad y estadística

Te explicamos qué son la probabilidad y la estadística, sus campos de estudio y

características. Además, los tipos de estadística.

La probabilidad y la estadísticas son herramientas para enfrentar fenómenos

aleatorios.
26.6. ¿Qué son la probabilidad y la estadística?

Cuando hablamos de probabilidad y estadística, nos referimos comúnmente

al estudio del azar desde un punto de vista matemático. Es decir, al estudio de las
leyes formales que lo rigen, desde dos puntos de vista claramente diferenciados

La probabilidad se entiende como el grado de certidumbre que se posee respecto

de que un evento ocurra o no, y constituye también una disciplina encargada de
confeccionar modelos predictivos para fenómenos aleatorios, de modo de poder
anticiparlos y estudiar sus consecuencias lógicas.

• La estadística, en cambio, ofrece métodos y técnicas propios para

comprender lo que dichos modelos significan, ya que es una disciplina
independiente, rama de las matemáticas, centrada en el estudio de la
variabilidad.
La probabilidad y la estadística se encuentran estrechamente vinculadas, dado que
son las dos grandes herramientas de las que dispone la humanidad para enfrentarse
a los fenómenos aleatorios.

Es decir, estudian aquellos cuyos patrones de ocurrencia escapan a nuestras

perspectivas o implican cálculos demasiado grandes y con demasiado margen de
error como para pretender abordarlos de manera concreta. Así, se impone la
necesidad de hacer modelos y aproximaciones, y trabajar en términos de
porcentajes de ocurrencia.

La probabilidad es un campo de estudio, al cual se dedica la Teoría de la

probabilidad, una rama de las matemáticas que se utiliza ampliamente en disciplinas
como la matemática, las ciencias sociales, las finanzas, la economía y, claro está,
la estadística, para obtener conclusiones respecto de qué tan probable es que un
evento ocurra, o no ocurra.

La necesidad de este tipo de estudios surgió gracias al deseo del ser

humano de poder predecir el futuro con cierto margen de certeza, algo que se
traduce en la posibilidad de prever y evitar catástrofes, por ejemplo. Para ello
propone diversas leyes y aproximaciones que permiten, a menudo, el cálculo
científico de aquello que se considera probable, y que a menudo es contrario a lo
que nuestra intuición nos señala.
 27. CONCEPTO Y SIGNIFICADO ESTADÍSTICO
DE LA
PROBABILIDAD
27.1. ¿Qué probabilidad de la estadística?

El término probabilidad se utiliza para definir el cálculo matemático que establece

todas las posibilidades que existen de que ocurra un fenómeno en determinadas
circunstancias de azar. La probabilidad se calcula con base en un valor entre 0
y 1 y el nivel de certidumbre viene determinado por la cercanía a la unidad; por
el contrario, en caso de que se aproxime al cero, hay menos seguridad en el
resultado final.

27.2. ¿Cuál es la fórmula para calcular la probabilidad?

Para el cálculo de la probabilidad es necesario dividir el número de sucesos

favorables entre el número total de sucesos posibles. Esto genera una muestra
y, a partir de los datos obtenidos, se puede realizar el cálculo.

El cálculo de probabilidades se expresa en porcentaje y responde a la siguiente

fórmula:

Probabilidad = Casos favorables / casos posibles x 100.

27.3. ¿Qué tipos de probabilidad existen?

• Matemática: sigue los principios de una lógica formal y no experimental,

calculando en cifras eventos aleatorios que pueden ocurrir en un
determinado campo.
• Frecuencial: se basa en la experimentación y determina el número de
veces que un suceso puede ocurrir, teniendo en cuenta un número
específico de oportunidades.
 • Objetiva: tiene en cuenta con antelación la frecuencia del evento, y solo
da a conocer los casos probables en los que puede ocurrir tal evento.
• Subjetiva: su concepto es opuesto a la probabilidad matemática, ya que
toma en cuenta ciertas eventualidades que permiten inferir la probabilidad
de un determinado evento, aun sin tener una certeza a nivel aritmético.
• Binomial: determina el éxito o fracaso de un evento que tenga únicamente
dos posibles resultados.
• Lógica: plantea la posibilidad de que un evento ocurra a partir de leyes
inductivas.
• Condicionada: explica la probabilidad de que suceda un evento según la
ocurrencia previa de otro, por lo que uno es dependiente del otro.
• Hipergeométrica: probabilidad que se obtiene a partir de técnicas de
muestreo, es decir, que los eventos se clasifican según la frecuencia de
su acontecimiento. De esta forma, se crean una serie de grupos de
eventos que están determinados según su aparición.

27.4. ¿Qué teorías dan explicación a la probabilidad?

Existen tres métodos para determinar la probabilidad de cualquier evento y se

basan en las reglas de:

1. Adición: plantea que la probabilidad de que ocurra un evento en concreto

es igual a la suma de las probabilidades individuales, siempre y cuando
los eventos no ocurran en el mismo momento.
2. Multiplicación: plantea que la probabilidad de que ocurra dos o más
eventos independientes es igual al producto de sus probabilidades
individuales.
3. Distribución binomial: plantea que la probabilidad de que ocurra una
combinación determinada de eventos independientes entre ellos admite
solo dos posibles resultados excluyentes entre ellos: éxito o fracaso.

Además, existe la regla de Laplace, que plantea que en una muestra aleatoria
formada por resultados que son igual de probables, la probabilidad de un suceso
es resultado del número de casos posibles divididos entre el número de casos
probables.

27.5. ¿En qué situaciones se aplica la probabilidad?

Algunos ejemplos en los que se aplica la probabilidad son:

• Análisis estadístico del riesgo empresarial: se pueden estimar caída de

precios de acciones, estados de inversiones, etc., a través de fórmulas
probabilísticas.
• Cálculo de seguros: los procesos en los que se estudia la fiabilidad de un
asegurado, para saber si es rentable asegurarlo y por cuánto dinero y
tiempo conviene hacerlo, son posibles gracias a estrategias y cálculos de
probabilidad.
• Análisis de conducta: en este tipo de aplicación, se hace uso de la
probabilidad para evaluar ciertos comportamientos de una muestra de la
población, de manera que puedan predecirse ciertos patrones de opinión,
comportamientos o pensamientos.
• Investigación médica: el éxito de vacunas, así como sus efectos
secundarios en la población, por ejemplo, viene determinada por cálculos

27.6. probabilísticos

La probabilidad es un método por el cual se obtiene la frecuencia de un

acontecimiento determinado mediante la realización de un experimento
aleatorio, del que se conocen todos los resultados posibles, bajo condiciones
suficientemente estables.

La teoría de la probabilidad se usa extensamente en áreas como la

estadística, la física, la matemática, las ciencias y la filosofía para sacar
conclusiones sobre la probabilidad discreta de sucesos potenciales y la
mecánica subyacente discreta de sistemas complejos, por lo tanto es la rama
 de las matemáticas que estudia, mide o determina a los experimentos o
fenómenos aleatorios.

27.7. ¿Qué son la probabilidad y la estadística?

Cuando hablamos de probabilidad y estadística, nos referimos comúnmente

al estudio del azar desde un punto de vista matemático. Es decir, al estudio de las
leyes formales que lo rigen, desde dos puntos de vista claramente diferenciados:

• La probabilidad se entiende como el grado de certidumbre que se posee

respecto de que un evento ocurra o no, y constituye también una
disciplina encargada de confeccionar modelos predictivos para
fenómenos aleatorios, de modo de poder anticiparlos y estudiar sus
consecuencias lógicas.
• La estadística, en cambio, ofrece métodos y técnicas propios para
comprender lo que dichos modelos significan, ya que es una disciplina
independiente, rama de las matemáticas, centrada en el estudio de la
variabilidad.

La probabilidad y la estadística se encuentran estrechamente vinculadas, dado que

son las dos grandes herramientas de las que dispone la humanidad para enfrentarse
a los fenómenos aleatorios.

Es decir, estudian aquellos cuyos patrones de ocurrencia escapan a nuestras

perspectivas o implican cálculos demasiado grandes y con demasiado margen de
error como para pretender abordarlos de manera concreta. Así, se impone la
necesidad de hacer modelos y aproximaciones, y trabajar en términos de
porcentajes de ocurrencia.
 28. ESPACIO MUESTRAL

Aquí te explicamos qué es un espacio muestral y te mostramos varios ejemplos de

espacios muestrales. Además, encontrarás cuáles son todos los tipos de espacios
muestrales y las diferencias que hay entre un espacio muestral y otros conceptos
de probabilidad.

28.1. ¿Qué es el espacio muestral?

El espacio muestral, también llamado espacio de muestreo, es el conjunto de

sucesos elementales de un experimento aleatorio. Es decir, el espacio muestral son
todos los posibles resultados de un experimento aleatorio.

El símbolo del espacio muestral es la letra griega Omega mayúscula (Ω), aunque
también se puede representar con la letra E mayúscula.

Ejemplos de espacios muestrales

Vista la definición de espacio muestral, a continuación vamos a explicar varios

ejemplos. Así sabrás cómo sacar el espacio muestral de cualquier ejercicio de
probabilidades.

28.2. Espacio muestral de un dado

El espacio muestral de un dado son todos los resultados que se pueden obtener al
lanzar un dado. Por lo tanto, el espacio muestral de un dado es 1, 2, 3, 4, 5 o 6.
Fíjate que los seis sucesos elementales del espacio de muestreo de un dado son
incompatibles, o dicho de otra forma, cuando sacamos una cara del dado no
podemos obtener otra. Además, todos los sucesos son equiprobables.

28.3. Espacio muestral de dos dados

El espacio muestral de dos dados son todas las combinaciones que se pueden
obtener al lanzar dos dados simultáneamente, por lo tanto, el espacio muestral de
dos dados está formado por 36 elementos.

Donde el primer número del paréntesis representa el número sacado por el primer
dado y el segundo número del paréntesis corresponde al segundo dado.

Ten en cuenta que aunque la probabilidad de que salga cada combinación es la

misma, la probabilidad de que salga un número determinado es diferente, porque
hay resultados que se repiten. Por ejemplo, el número 7 es el más probable de que
salga.

28.4. Espacio muestral de una moneda

El espacio muestral de una moneda está formado por únicamente dos sucesos
elementales, ya que al lanzar una moneda solo puede salir cara o cruz.

De modo que los dos eventos posibles del espacio muestral de una moneda tienen
la misma probabilidad de ocurrencia, un 50%.
 28.5. Espacio muestral de dos monedas

El espacio muestral de dos monedas está formado por cuatro sucesos elementales,
ya que al lanzar cada moneda hay dos posibles eventos. Por lo tanto, el espacio
muestral de dos monedas esΩ={(cara, cara), (cara, cruz), (cruz, cara), (cruz, cruz)}.

28.6. Tipos de espacios muestrales

Los tipos de espacios muestrales son:

• Espacio muestral discreto (o numerable): un espacio muestral es

discreto cuando el número de posibles resultados es finito o infinito
numerable.
• Espacio muestral continuo: un espacio muestral es continuo cuando
el número de posibles resultados es infinito.
Por ejemplo, el lanzamiento de un dado y el lanzamiento de una moneda tienen
espacios muestrales discretos finitos. Pero lanzar una moneda hasta que salga cara
consiste en un espacio muestral discreto infinito numerable, porque el número de
resultados es finito pero el número de lanzamientos no, ya que no sabes cuántas
veces debes tirar la moneda hasta que salga cara.

Por otro lado, un ejemplo de espacio muestral continuo es el peso de un individuo

de un grupo, que puede ser cualquier número real positivo.

Cabe destacar que cuando todos los sucesos elementales de un espacio muestral
tienen la misma probabilidad de ocurrencia, se trata de un espacio muestral
equiprobable.

28.7. Espacio muestral y eventos

El espacio muestral y los eventos son dos conceptos diferentes. El espacio

muestral es el conjunto de todos los posibles resultados de un experimento
aleatorio, en cambio, los eventos (o sucesos) son cada uno de los posibles
resultados del experimento.

Por lo tanto, todo el conjunto de eventos o sucesos posibles forman el espacio

muestral del experimento.

Por eso a veces al espacio muestral también se le llama espacio de eventos.

28.8. Espacio muestral y espacio probabilístico

En teoría de probabilidades, el espacio muestral y el espacio probabilístico (o

espacio de probabilidad) son conceptos diferentes, aunque se suele crecer que
significan lo mismo. En realidad, la definición de espacio probabilístico engloba el
espacio muestral.

Un espacio probabilístico está formado por:

• Espacio muestral: todos los posibles resultados del experimento.

• Sigma álgebra: conjunto de conjuntos sobre el que se define el
espacio
• Función de probabilidad: función matemática que permite calcular la
probabilidad de cada suceso.
De modo que el espacio muestral se incluye en el significado del espacio
probabilístico y, por lo tanto, no se deben confundir estos dos conceptos.
 29. DISTRIBUCION DE LA PROBABILIDAD

29.1. ¿Qué es la distribución de probabilidad?

La estadística es una rama de las matemáticas que está al servicio de las

empresas y tiene dos facetas principales

La estadística descriptiva que se encarga de organizar, tabular, resumir, graficar y

presentar los datos tomados de eventos pasados (encuestas, ventas de un
establecimiento, etc.) de manera informativa.

La estadística inferencial que se encarga de realizar el cálculo de la probabilidad de

que algo ocurra en el futuro.

En el mundo actual, al momento de tomar una decisión, muy rara vez contamos con
la información completa para hacerlo, es por eso que la inferencia estadística juega
un papel fundamental en este caso, ya que a partir de una muestra significativa de
una población (información limitada), inferimos propiedades de esta población y
utilizando la teoría de probabilidades podemos analizar riesgos y reducirlos al
mínimo.

Por ejemplo, al momento de realizar la manufactura de un producto calcular la

probabilidad de que a lo sumo 10% de ellos salgan defectuosos.
En la empresa y en el mundo de los negocios, la teoría de la probabilidad es muy
importante debido a que nos brinda herramientas para tomar una mejor decisión
ante el futuro.

Los modelos de probabilidad, que son representaciones de la realidad, pueden

ayudarnos a optimizar la ganancia de nuestro negocio teniendo en cuenta los
riesgos al momento de realizar una inversión, optimizar el sistema del servicio al
cliente de una compañía creando políticas para evitar la pérdida de clientes, y
hasta crear nuevas estrategias competitivas a largo plazo según el mercado.

Ahora bien, ¿qué es exactamente la probabilidad? La probabilidad es un valor entre

0 y 1 que describe la posibilidad de ocurrencia de un acontecimiento [ver en
referencias, fuente #1]. Donde 1 representa que el acontecimiento sucederá muy
seguramente y 0 que el acontecimiento con seguridad no sucederá.
Teniendo presente los conceptos anteriores, podemos definir una distribución de
probabilidad como una lista que nos proporciona todos los resultados de los valores
que pueden presentarse en un acontecimiento, junto con la probabilidad de
ocurrencia asociada a cada uno de estos valores.

Tomemos, por ejemplo, como un acontecimiento el lanzamiento de una moneda. En

este acontecimiento, tenemos como posibles resultados: Cara o sello, y las
respectivas probabilidades son: si cae cara 0.5 (1/2) o si cae sello 0.5 (1/2).

Como podemos observar, si tomamos las probabilidades de ocurrencia de los

resultados de un acontecimiento y los sumamos siempre nos debe dar 1.

Todos los acontecimientos tienen variables aleatorias (características medibles),

éstas pueden ser de tipo continua o discreta.

Las variables de tipo discretas son aquellas cuyos resultados se pueden contar o
son separables (por ejemplo, la cantidad de caras en el lanzamiento de 3 monedas,
el número de faltas de un partido de fútbol, libros vendidos en un mes, etc).
Las continuas son aquellas que tienen un número incontable de valores pero
limitado (por ejemplo, los tiempos de vuelos entre una ciudad y otra, la presión de
los neumáticos de un carro, etc).

29.2. Tipos de distribuciones de probabilidad

Los científicos siempre se han sentido fascinados con los fenómenos y

acontecimientos que ocurren en la vida cotidiana, por lo que se han puesto en la
tarea de construir modelos probabilísticos teóricos, a través de la experimentación,
que los describan. Algunos de los más utilizados hoy en día son:

29.2.1. Distribución de probabilidad Binomial

Es una probabilidad discreta y se presenta con mucha frecuencia en nuestra vida

cotidiana. Fue propuesta por Jakob Bernoulli (1654-1705), y es utilizada con
acontecimientos que tengan respuesta binaria, generalmente clasificada como
“éxito” o “fracaso”. Algunos ejemplos donde se aplica esta distribución son:

• Si una persona presenta o no una enfermedad.

• Si una mujer se encuentra en estado de embarazo.
• Que un producto sea exitoso o no.
• Que un vuelo se retrase o no.
• Si el lanzamiento de una moneda sale cara en vez de sello.

29.2.2. Distribución de probabilidad de Poisson

Recibe su nombre gracias al matemático francés Simeón Denis Poisson (1781-

1840). Describe el número de veces que se presenta un acontecimiento durante un
intervalo específico, este intervalo puede ser de tiempo, distancia, área o volumen.
La probabilidad de ocurrencia es proporcional a la longitud del intervalo. Algunos
ejemplos donde se aplica esta distribución son:

• El número de vehículos que vende por día un concesionario.

 • Cantidad de llamadas por hora que recibe una compañía.
• Cuando se requiere conocer el número de defectos en un lote de tela.
• Número de accidentes automovilísticos en el año.
• Número de llegadas de embarcaciones a un puerto por día.

29.2.3. Distribución de probabilidad normal

La distribución de probabilidad normal es una de las más importantes en estadística

y en el cálculo de probabilidades.

Fue utilizada por Carl Friedich Gauss (1777-1855) al escribir un libro sobre el
movimiento de los cuerpos celestes, por este motivo también es conocida como
distribución Gaussiana.

Es importante debido a que el teorema central del límite implica que esta distribución
es casi universal y la podemos encontrar en todos los campos de las ciencias
empíricas tales como: biología, física, psicología, economía, etc.
Tiene una forma de campana, es simétrica y su área bajo la curva es 1.

Como se mencionaba anteriormente la aplicación de esta distribución de

probabilidad es muy amplia. Algunos ejemplos son:

• El efecto de un medicamento o fármaco.

• El cambio de temperatura en una época del año específica.
• Caracteres morfológicos como el peso o la estatura en un grupo de
individuos.

Nuestro mundo actual se encuentra en constante cambio y tenemos incertidumbre

frente al futuro, es por eso que es importante resaltar la teoría de la probabilidad o
también conocida como la ciencia de la incertidumbre.

Aunque no nos diga con exactitud qué depara el futuro, nos ayuda a navegar en
este mar de la incertidumbre para tomar mejores decisiones en el mundo de los
negocios y en la vida.
 30. DIAGRAMA DE ÁRBOL

Un diagrama de árbol es un esquema que permite establecer relaciones, de manera

jerarquizada, entre conceptos. Es uno de los gráficos más utilizados en estadística,
por lo que es importante conocer cómo hacer uno e interpretarlo.

En el presente artículo te explicaremos de qué se trata esta herramienta gráfica y

cómo implementarla correctamente a tus investigaciones, tanto estadísticas como
administrativas.

30.1. ¿Qué es un diagrama de árbol?

Un diagrama de árbol es un tipo de gráfico utilizado en estadística inferencialpara

representar, visualmente, las posibles consecuencias o resultados de una acción.
Se suele usar en el análisis de probabilidades y, por esta razón, también se le
conoce como árbol de probabilidad. En este caso, se realizan cálculos
porcentuales de la probabilidad de que se obtenga uno u otro resultado.

El concepto de diagrama de árbol también se puede definir como

una representación gráfica de un proceso o de un concepto mediante unidades
que, relacionadas, constituyen un área de estudio o que juegan un papel en alguna
labor.

Se incluye dentro de los tipos de gráficos denominados dendrogramas, los cuales

se caracterizan por su apariencia similar a un árbol, y en donde las unidades se
ordenan de manera jerárquica. Entre este tipo de gráficos también se puede incluir
el cuadro sinóptico, en el cual se establece una jerarquía de conceptos.

30.2. ¿Para qué sirve un diagrama de árbol?

La utilidad de un diagrama de árbol radica en su capacidad de representar la

relación de causas y efectos de un experimento y, por lo tanto, facilitar su
comprensión e interpretación en una investigación. Su objetivo es brindar
un panorama del comportamiento de unas variables en un determinado contexto.

En estadística inferencial, sirve para obtener una visión amplia de todos los posibles
resultados de un evento. En la labor deductiva de una investigación enmarcada en
esta rama de la estadística, un gráfico de este tipo favorece la capacidad analítica
para realizar conclusiones, pues se puede conseguir información de manera rápida.

Aunque son mayormente mencionados en los estudios estadísticos, por su carácter

visual también es utilizado en otros ámbitos. Una de sus funciones en el campo
empresarial o administrativo es exponer un proceso y las partes que lo conforman.
En este aspecto es similar al diagrama de Ishikawa, pues los dos se pueden utilizar
en la identificación de las causas que afectan directamente la productividad.

30.3. Características del diagrama de árbol

Las características principales que definen un diagrama de árbol son:

• Su estructura es similar a un árbol, de manera que los conceptos se

despliegan desde los más generales hasta los más detallados, o mediante
etapas.

• Se utiliza en estadística inferencial, especialmente, en probabilidad.

• Es un gráfico jerárquico, pues representa la información desde sus líneas

generales, hasta los conceptos más específicos.

• Expone la información de manera concisa.

30.4. Partes de un diagrama de árbol

Un diagrama de árbol consta de tres partes básicas. Estas son:

• Nudo: también se le denomina nodo o raíz. Es la parte donde se define el

concepto a tratar en el gráfico, o el evento previo a unos resultados.
• Ramas: son las líneas que conectan o relacionan las causas y efectos que
se enmarcan dentro del experimento. En este aspecto se debe tener en
cuenta la jerarquía que hemos dispuesto para el desarrollo de la
investigación.

• Hojas: hace referencia a los posibles resultados de una acción. De estas,

también pueden partir otras ramas que conectan a otras hojas, de manera
que los resultados también se conviertan en causas.

30.5. Diagrama de árbol Ventajas y desventajas

30.5.1. Ventajas del diagrama de árbol

• Permite realizar estudios estadísticos de manera simple y rápida.

• Brinda un amplio panorama de una información concreta.

• Facilita la organización de datos.

• Favorece un análisis dinámico del comportamiento de las variables.

• Su construcción es breve y sencilla.

30.5.2. Desventajas del diagrama de árbol

• Al describir procesos complejos, se dificulta su aplicación, pues se requiere

de una mayor capacidad de organización y espacio para dibujarlo.

• En algunos casos, ciertos detalles no se pueden incluir al no ser tan flexible

en la organización de datos y su jerarquía.

• Por su mismo carácter jerárquico, no permite conectar ciertos conceptos que

puedan estar relacionados con otros más generales o de otra categoría.
 30.6. ¿Cómo hacer un diagrama de árbol?

Al momento de realizar un diagrama de árbol, se pueden seguir los siguientes

pasos:

• Organizar los conceptos: antes de diseñar un diagrama de árbol, es importante

conocer qué conceptos o variables hacen parte de la investigación. Además, se
debe establecer una jerarquía de los mismos, de manera que desde los más
generales se desplieguen los más específicos.
• Definir el nudo: al construir el diagrama, se define el concepto más general o
principal de la investigación. En el análisis de probabilidades, este paso
corresponde a definir el estado base de un fenómeno.
• Determinar los resultados: en este paso se dibujan tantos las líneas o ramas y
las hojas. Se determinan las posibles consecuencias de un acto, y las que
surgen a partir de estas.
• Realizar los cálculos: en los estudios estadísticos, se realiza un cálculo de
probabilidad. Estos datos se pueden expresar de manera fraccional, decimal o
porcentual. Para entender mejor este paso, explicaremos el siguiente breve
ejemplo:

La probabilidad de que, en un juego de azar en el que solo participan los números

1 y 2, salga el primero es de 1/2 (es decir, 0.5 o 50% de probabilidad), al igual que
el segundo número. La suma de probabilidades dará como resultado 100%.

Al agregar una segunda ronda, las probabilidades se multiplican, de manera que si

la primera vez salió el 1 y la segunda también, las probabilidades fueron de 1/4 (1/2
por 1/2), es decir, 25%.

30.7. Diagrama de árbol ejemplos

Como hemos descrito anteriormente, los diagramas de árbol se pueden utilizar tanto
para representar los posibles resultados o efectos de un acontecimiento, como para
establecer relaciones entre los procesos necesarios en el desarrollo productivo de
una empresa.

Los siguientes ejemplos pueden exponer con mayor claridad la aplicación de un

diagrama de árbol en distintos contextos, como el análisis de probabilidades y la
descripción de una línea de producción.

Ejemplos de ropa

El esquema que constituye un diagrama de árbol facilita la representación de

objetivos generales y objetivos específicos. Para el presente caso, una empresa
textil ha establecido duplicar las ventas por mes de una de sus líneas de producción,
por lo que determinan aquellos procesos que podrían llevar a cabo la realización del
objetivo.

Ejemplos de moneda

Un ejemplo típico al que se recurre para ilustrar la aplicación de un diagrama de

árbol es el lanzamiento de una moneda. Al lanzar una moneda existen dos posibles
resultados: que caiga cruz o que caiga cara. En nuestro caso, ilustraremos qué
consecuencias se obtienen al lanzar una moneda tres veces.

Como puedes observar, la primera vez que se lanzó la moneda solo se podrían
obtener dos resultados. A partir de este punto, el número de posibles consecuencias
se incrementa, pues en el segundo lanzamiento se pueden presentar cuatro
distintos resultados (dos por cada uno de los anteriores), y en el tercero, ocho.

A continuación, realizamos el análisis de probabilidades por cada lanzamiento:

• Primer lanzamiento:

• 50% de probabilidad de que caiga cara.

• 50% de probabilidad de que caiga cruz.

• Segundo lanzamiento:
 • 25% de probabilidad de que caiga cara dos veces.
• 25% de probabilidad de que caiga cara y luego cruz.
• 25% de probabilidad de que caiga cruz y cara.
• 25% de probabilidad de que caiga cruz dos veces.

• Tercer lanzamiento:

• 12.5% de probabilidad de que caiga cara tres veces seguidas.

• 12.5% de probabilidad de que caiga cara dos veces y, por último, cruz.
• 12.5% de probabilidad de que caiga cara, cruz y cara sucesivamente.
• 12.5% de probabilidad de que caiga cara y cruz dos veces.
• 12.5% de probabilidad de que caiga cruz y cara dos veces.
• 12.5% de probabilidad de que caiga cruz, cara y cruz sucesivamente.
• 12.5% de probabilidad de que caiga dos veces cruz y, por último, cara.
• 12.5% de probabilidad de que caiga cruz dos veces.

30.8. Áreas de aplicación del diagrama de árbol

Los diagramas de árbol son una herramienta cuya aplicación se extiende hasta
cualquier área, desde el ámbito científico hasta el empresarial e, incluso,
el académico como técnica de aprendizaje. Podemos mencionar ciertos ámbitos
como:

• La climatología, en el estudio de probabilidades de que se presente un

fenómeno climático.

• La informática, en el análisis del comportamiento de variables generadas al

azar.

• La administración de empresas, para describir procesos y observar en cuáles

de ellos es necesario realizar un cambio. También en la definición de
objetivos y los medios por los cuales alcanzarlos. Incluso, se puede aplicar
el análisis de ventas para determinar las posibles soluciones que se deban
realizar en distintos momentos.
 • El aprendizaje pues, tanto por su carácter gráfico como por la capacidad de
exponer información fácilmente, permite interpretar, procesar y entender los
temas de manera sencilla.

Estas son solo algunas áreas de aplicación del diagrama de árbol, pero lo puedes
utilizar en cualquier área que sea gracias a su diseño y a la manera en que expone
la información.
 31. COMBINACIONES DE EVENTOS

31.1. Diferencia entre Permutación y Combinación

La diferencia entre permutación y combinación es que, para las permutaciones, el
orden de los elementos sí es tomado en consideración y para las combinaciones,
el orden de los elementos no importa. Por ejemplo, la organización de objetos es
un ejemplo de permutaciones, pero la selección de un grupo de objetos es un
ejemplo de combinaciones.

31.2. Definiciones de permutaciones y combinaciones

31.2.1. Permutaciones

Una permutación puede ser definida como la acción de organizar a unos pocos o
a todos los miembros de un conjunto en un orden específico. El proceso de ordenar
elementos desordenados se llama permutación.
 31.2.2. Combinaciones

Una combinación es el proceso de seleccionar los elementos u objetos de un

conjunto en una forma que, a diferencia de las permutaciones, el orden no importa.
Esto se refiere a la combinación de elementos tomados de un conjunto sin ninguna
repetición.

31.3. ¿Cuál es la diferencia entre permutación y combinación?

En la siguiente tabla podemos comparar a las permutaciones y las combinaciones

y podemos observar sus diferencias:

Permutaciones Combinaciones

Las permutaciones son las Las combinaciones son varias

diferentes maneras de organizar maneras de escoger elementos de
un conjunto de objetos en un un conjunto más grande de objetos
orden secuencial. sin considerar el orden

El orden sí es importante. El orden no es importante.

Se refiere a la organización de No denota la organización de

objetos. objetos.
 Múltiples permutaciones pueden
De una permutación, sólo una
ser derivadas de una sola
combinación puede ser derivada.
combinación.

Pueden ser definidas como Pueden ser definidas como

elementos ordenados. conjuntos sin orden.

Ejemplo

Supongamos que tenemos que encontrar el número total de muestras probables

de dos objetos de un conjunto de tres objetos A, B, C. Antes que nada, tenemos
que determinar si esto es un problema de permutaciones o un problema de
combinaciones. Para esto, lo único que tenemos que hacer es averiguar si es que
el orden es relevante o no.

Si es que el orden es importante, entonces tenemos un problema de

permutaciones. En este caso, el número posible de muestras será AB, BA, BC,
CB, AC, CA. Cuando tenemos permutaciones, consideramos a AB y BA como
diferentes. De igual forma, BC y CB, AC y CA son diferentes.

Si es que el orden no es importante, entonces tenemos un problema de

combinaciones. En este caso, las muestras posibles son AB, BC y AC.
 31.4. Preguntas frecuentes

31.4.1. ¿Qué son las permutaciones y las combinaciones?

Una permutación es considerada como un método para organizar un conjunto de

elementos en orden. Una combinación es considerada como la selección de un
conjunto de elementos.

31.4.2. ¿Cuáles son las fórmulas para las combinaciones y las

permutaciones?

La fórmula para las permutaciones es nPr=n!(n−r)!nPr=(n−r)!n!.

La fórmula para las combinaciones es nCr=n!(n−r)!r!nCr=(n−r)!r!n!.

31.4.3. ¿Cuál es un ejemplo de permutaciones?

La organización de números, letras u otros objetos son ejemplos de

permutaciones.

31.4.4. ¿Cuál es un ejemplo de combinaciones?

La selección de objetos de una lista, seleccionar personas de un grupo son

ejemplos de combinaciones.

Se llama combinaciones de elementos tomados de en a

todas las agrupaciones posibles que pueden hacerse con los elementos de
forma que:

No entran todos los elementos

No importa el orden

No se repiten los elementos

También podemos calcular las combinaciones mediante factoriales:

Las combinaciones se denotan por o

 32. PERMUTACIONES

Las permutaciones son estudiadas por el Conteo o Análisis combinatorio. Y ayudan

a cuantificar la probabilidad de que ocurra un resultado.

Una permutación es una forma en la que pueden presentarse objetos o eventos y

en la que el orden de aparición es muy importante.

Por ejemplo:

Los dígitos 2,5,8.

Pueden formar los numeros: 258,285,528,582,825 y 852, cada uno de ellos es una
permutación de los dígitos dados.

Las letras A, V, E: forman: AVE, EVA,VEA que son palabras diferentes.

La fórmula general de las permutaciones es la siguiente:

Permutaciones de n objetos tomados de r en r:

P(n,r)=n!(n−r)!

Donde:

n es el número total de objetos o eventos; puede ser cualquier entero positivo

r es el número de objetos que se desea considerar 1≤r≤n

RECUERDA: el factorial de n es n!=(1)(2)...(n−1)(n)

Solo se aplica para valores enteros no negativos.

Por ejemplo, el factorial de siete se escribe 7! y vale 7!=1×2×3×4×5×6×7=5040

1!=1

0!=1

Ejemplo de permutación:

Hugo compró en el mercado de discos usados 15 discos, pero en la torre para

compactos que tiene ya solo caben seis. ¿De cuántas formas los puede acomodar?

Él tiene un total de 15 discos, este será el valor de n, y desea ordenar seis de ellos,
de modo que r=6. Así:

P(15,6)=15!(15−6)!=15!9!=(9!)(10)(11)(12)(13)(14)(15)9!==(10)(11)(12)(13)(14)(15)
=3603600

Es decir se pueden ordenar de 3603600 maneras.

32.1. ¿QUÉ SON LAS PERMUTACIONES Y EJEMPLOS?

Si deseas descubrir qué son las permutaciones y ejemplos de ejercicios resueltos

en vídeo, te invitamos a darle un vistazo a esta clase en nuestro canal de YouTube

32.2. ¿Qué son las Permutaciones?

Básicamente las permutaciones son la cantidad de formas ORDENADAS en que se

pueden seleccionar cierto número de elementos.
 32.3. ¿Pero cuál es la diferencia entre permutación y combinación?

Si deseas dale un vistazo a nuestra clase detallada sobre la diferencia entre

combinaciones y permutaciones. Clic aquí.

Veamos un ejemplo para dejar claro qué son las permutaciones

Tenemos cuatro figuras y queremos saber de cuántas formas diferentes podemos

ordenarlas en secuencia

Seguramente tu primera idea será hacerlo manual y contar de cuántas formas

podrías ordenar las figuras… algo así:
Son sólo cuatro figuras y seguramente ya te habrás dado cuenta que no son pocas
las formas de ordenarlas en secuencia… imagínate si fueran 10 figuras!

Veamos un método ordenado de calcular la cantidad de formas posibles de armar

las secuencias posibles

Diagrama árbol y principio multiplicativo

Supongamos que seleccionamos el triángulo como primer figura de la secuencia:

Si ya elegimos una figura de las cuatro que teníamos… significa que quedan tres
posibles opciones para la segunda figura:

Habiendo elegido la segunda figura en cualquier opción posible, luego tendremos

sólo dos figuras más ara elegir la tercer figura:

Por último, para elegir la última figura sólo tenemos una única opción en cada caso:
Cada posible secuencia corresponde a cada rama de nuestro diagrama árbol. Por
lo pronto tenemos SEIS RAMAS considerando que empezamos por el triángulo
amarillo.

Pero… ¿y si hubiéramos iniciado con el círculo rojo? ¿o con el cuadrado verde? ¿o

con el hexágono azul? Veamos:
¿Cuántas ramas puedes contar?

32.4. ¿Y qué es eso del principio multiplicativo?

Bueno… es otra forma de resolver nuestro problema sin tener que dibujar un
diagrama de árbol inmenso. Veamos el paso a paso

Para elegir la primer figura tenemos cuatro opciones… entonces consideramos un

4

Para elegir la segunda figura tenemos tres opciones porque ya habíamos tomado la
primera… entonces consideramos un 4×3 como la cantidad de formas de
seleccionar la primera y segunda figura.

Para elegir la tercer figura tenemos dos opciones porque ya habíamos tomado la
primera y la segunda… entonces consideramos un 4x3x2 como la cantidad de
formas de seleccionar la primera, la segunda y la tercer figura.

Para elegir la cuarta figura tenemos una única opción porque ya habíamos tomado
la primera, la segunda y la tercera… entonces consideramos un 4x3x2x1 como la
cantidad de formas de seleccionar la primera, la segunda, la tercer y la cuarta figura.
 32.5. ¿Y si usamos el factorial para calcular la cantidad de formas de
ordenar cierto número de elementos?

¿Qué es el factorial de un número?

Para nuestro problema anterior teníamos CUATRO figuras que queríamos ordenar
de tantas formas como fuera posible y con calcular el FACTORIAL DE
CUATRO podríamos calcularlo fácilmente:

El signo de admiración ! en matemáticas significa la operación factorial.

¿Cómo se calcula el factorial de un número?

Es muy sencillo, lo que tienes que hacer es multiplicar todos los números enteros
que hay hacia atrás desde él mismo hasta el 1.
Ejemplos de permutaciones utilizando el factorial de un número:

¿De cuántas formas puedo ordenar cinco figuras distintas? Usamos el factorial
de 5!

¿De cuántas formas puedo ordenar seis figuras distintas? Usamos el factorial de 6!

¿De cuántas formas puedo ordenar siete figuras distintas? Usamos el factorial de 7!

¿Qué pasa si quiero ordenar UNA PARTE de los elementos y NO TODOS?

Vamos a presentarte la fórmula de las permutaciones, ¡pero no te vayas a asustar!

Es muy fácil calcular las permutaciones sin aprendérsela de memoria
Arranquemos con un ejemplo para utilizarla

Tenemos cinco opciones para elegir la primer figura… si elijo la estrella… mis
opciones para la segunda figura serían cuatro: estrella y esfera… estrella y
sharingan… estrella y Onepiece… estrella y Dark Vader.
Si contamos la cantidad de posibles formas de elegir dos figuras… en total
tenemos 20… ¿lo pillas?

Apliquemos principio multiplicativo: Para la primer figura tengo cinco opciones…

luego para la segunda sólo tengo cuatro opciones… entonces…

¿Y la fórmula? Bueno… también dará 20 formas. Veamos:

Recuerda cancelar los términos que multiplican arriba y abajo de la fracción:

 33. VARIACIONES

33.1. Variaciones ordinarias

Se llama variaciones ordinarias de m elementos tomados de n en n (m ≥ n) a los

distintos grupos formados por n elementos de forma que:

No entran todos los elementos.

Sí importa el orden.
No se repiten los elementos.

También podemos calcular las variaciones mediante factoriales:

Las variaciones se denotan por

Ejemplos

Calcular las variaciones de 6 elementos tomados de tres en tres.

¿Cuántos números de tres cifras diferentes se puede formar con los dígitos: 1, 2, 3,
4, 5 ?
m = 5n = 3 m ≥ n
No entran todos los elementos. De 5 dígitos entran sólo 3.
Sí importa el orden. Son números distintos el 123, 231, 321.
 No se repiten los elementos. El enunciado nos pide que las cifras sean
diferentes.

¿Cuántos números de tres cifras diferentes se puede formar con los dígitos: 0, 1, 2,
3, 4, 5 ?
m = 6n = 3 m ≥ n
Tenemos que separar el número en dos bloques:
El primer bloque, de un número, lo puede ocupar sólo uno de 5 dígitos porque un
número no comienza por cero (excepto los de las matriculas, los de la lotería y otros
casos particulares),
m=5 n=1
El segundo bloque, de dos números, lo puede ocupar cualquier dígito.
m=6 n=2

A un concurso literario se han presentado 10 candidatos con sus novelas. El cuadro

de honor lo forman el ganador, el finalista y un accésit.¿Cuántos cuadros de honor
se pueden formar?
m = 10n = 3
No entran todos los elementos. De 10 candidatos entran sólo 3.
Sí importa el orden. No es lo mismo quedar ganador que finalista.
No se repiten los elementos. Suponemos que cada candidato presenta una
sola obra.
 33.2. Variaciones con repetición

Se llamann variaciones con repetición de m elementos tomados de n en n a los

distintos grupos formados por n elementos de manera que:

No entran todos los elementos si m > n. Sí pueden entrar todos los

elementos si m ≤ n
Sí importa el orden.
Sí se repiten los elementos.

Ejemplos

¿Cuántos números de tres cifras se puede formar con los dígitos: 1, 2, 3, 4, 5 ?

m=5 n=3
No entran todos los elementos. De 5 dígitos entran sólo 3.
Sí importa el orden. Son números distintos el 123, 231, 321.
Sí se repiten los elementos. El enunciado nos pide que las cifras sean
diferentes.

¿Cuántos números de tres cifras se puede formar con los dígitos: 0, 1, 2, 3, 4, 5 ?

m=6 n=3
Tenemos que separar el número en dos bloques:

El primer bloque, de un número, lo puede ocupar sólo uno de 5 dígitos porque un

número no comienza por cero (excepto los de las matriculas, los de la lotería y otros
casos particulares),
m=5 n=1
El segundo bloque, de dos números, lo puede ocupar cualquier dígito.
m=6 n=2
¿Cuántas quinielas de una columna han de rellenarse para asegurarse el acierto de
los 15 resultados?
m=3 n = 15 m<n
Sí entran todos los elementos. En este caso el número de orden es mayor
que el número de elementos.
Sí importa el orden.
Sí se repiten los elementos.

La variación, en el ámbito de las matemáticas, es cada una de las posibles tuplas

que se pueden constituir a partir de un grupo de elementos.

Es decir, se denomina variación a cada una de las posibles agrupaciones que se

pueden formar con los elementos de un determinado conjunto, por ejemplo, de
números u objetos.

Si tenemos x cantidad de elementos, podemos formar tuplas con una cantidad n de

elementos, presentándose una diversa variedad de alternativas. Esto último
dependerá de si es posible o no repetir elementos en una misma tupla.

Otro asunto importante a tener en cuenta es que, a diferencia de las combinatorias,

en las variaciones sí influye el orden en el que están colocándose los elementos.

Sólo el 2% de la población sabe lo que quiere y cómo lo va a conseguir ¿y tú?

Tu dinero = tu tiempo + tu talento. A lo último, te ayudamos nosotros.

Mejora tu conocimiento en finanzas aprendiendo de los mejores profesionales, con

cursos efectivos y entretenidos.
Asimismo, las variaciones se diferencian de las permutaciones en que, en este
último caso, se toman siempre todos los elementos puestos a disposición y no un
subconjunto.

33.3. ¿Qué es una tupla?

Una tupla es una secuencia o lista ordenada y finita, cuyos elementos son
denominados componentes. Es decir, una tupla no podría ser conformada por todos
los números naturales y enteros mayores a 3, pues se trata de un conjunto infinito.

Tipos de variaciones

Los tipos de variaciones pueden ser dos:

33.4. Variaciones con repetición

Cuando dentro de cada tupla se puede repetir un elemento más de una vez. Por
ejemplo, si tenemos:

A={3,6,7}

Para tuplas de dos elementos, las variaciones posibles serían las siguientes:

{3,3};{3,6};{3,7};{6,3};{6,6};{6,7};{7,3};{7,6};{7,7}

La fórmula para calcular el número de variaciones con repetición es la siguiente,

donde x es el número total de elementos y n, el número de elementos de cada tupla:

xn

Por lo tanto, en el ejemplo mostrado, se resolvería: 32=9.

33.5. Variaciones sin repetición

 Significa que los elementos no se pueden repetir dentro de una misma tupla. Por
ejemplo, si tenemos el mismo conjunto A del caso anterior, las variaciones sin
repetición serían:

{3,6};{3,7};{6,3};{6,7};{7,3};{7,6}

En este caso, la fórmula a seguir sería:

x!/(x-n)!

En el numerador de la fórmula, tenemos el factorial del número total de elementos,

mientras que en el denominador está el factorial de la resta del número total de
elementos menos el número de elementos de la tupla. Entonces, en el ejemplo
mostrado, se resolvería:

3!((3-2)!=3x2x1/1!=6/1=6
 34. COMBINACIONES

34.1. Definición de combinaciones

Se llama combinaciones de elementos tomados de en a

todas las agrupaciones posibles que pueden hacerse con los elementos de
forma que:

No entran todos los elementos

No importa el orden

No se repiten los elementos

También podemos calcular las combinaciones mediante factoriales:

Las combinaciones se denotan por o

 34.2. Combinaciones
• Combinaciones

Para calcular el número de combinaciones se aplica la siguiente fórmula:

El termino " n ! " se denomina "factorial de n" y es la multiplicación de todos los

números que van desde "n" hasta 1.

Por ejemplo: 4 ! = 4 * 3 * 2 * 1 = 24

La expresión "Cm,n" representa las combinaciones de "m" elementos, formando

subgrupos de "n" elementos.

Ejemplo: C10,4 son las combinaciones de 10 elementos agrupándolos en

subgrupos de 4 elementos:

Es decir, podríamos formar 210 subgrupos diferentes de 4 elementos, a partir de los

10 elementos.
• Variaciones

Para calcular el número de variaciones se aplica la siguiente fórmula:

La expresión "Vm,n" representa las variaciones de "m" elementos, formando

subgrupos de "n" elementos. En este caso, como vimos en la lección anterior, un
subgrupo se diferenciará del resto, bien por los elementos que lo forman, o bien por
el orden de dichos elementos.

Ejemplo: V10,4 son las variaciones de 10 elementos agrupándolos en subgrupos de

4 elementos:

Es decir, podríamos formar 5.040 subgrupos diferentes de 4 elementos, a partir de

los 10 elementos.

• Permutaciones

Para calcular el número de permutaciones se aplica la siguiente fórmula:

La expresión "Pm" representa las permutaciones de "m" elementos, tomando todos
los elementos. Los subgrupos se diferenciaran únicamente por el orden de los
elementos.

Ejemplo: P10 son las permutaciones de 10 elementos:

La combinación o combinatoria es una técnica de conteo que se aplica en

experimentos aleatorios, en los que no se tiene en cuenta el orden en que se eligen
los elementos y no es posible la repetición.

Una cosa que sabemos sobre situaciones que implican eventos dependientes es
que una acción elimina resultados posibles de acciones futuras. Hay otro factor
importante que considera sobre los resultados de eventos dependientes: ¿Cómo
están organizados? ¿Debemos hacer una lista, anotando el orden en que ocurren,
o sólo los amontonamos juntos ignorando el orden?

Considera los tres ejemplos anteriores, y piensa si el orden importa:

Situación Eventos ¿Importa el orden?

En una fiesta, sacas Sacar el nombre El orden no importa. Esas

cuatro papelitos con de John cuatro personas estarán en el
nombres de invitados Sacar el nombre mismo equipo así saques a
para formar un equipo de Perna John, Perna, Tosho, y luego
de 4 personas. ¿Cuál Sacar el nombre Lee, o Perna, Tosho, Lee, y al
es la probabilidad de de Tosho final John.
que John, Perna, Sacar el nombre
Tosho, y Lee quedarán de Lee
en el mismo equipo?

Sacas una canica de

una bolsa con 2
canicas rojas, 2
blancas, y una verde. La primera El orden es importante. Sacar
Te quedas la canica y sacada es roja. una canica verde y luego una
luego sacas otra. La segunda roja no es un resultado
¿Cuál es la sacada es verde. aceptable en esta situación
probabilidad de sacar
una canica roja y luego
sacar la canica verde?

Sacas dos cartas de un

mazo estándar de 52
cartas. (En un mazo
estándar, cada carta
tiene un palo — El orden no importa. El
Una carta es un
corazones, picas, resultado se satisface ya sea
2.
diamantes, o tréboles que saques el 2 de corazones y
Otra carta es un
— y un rango — As, 2, el 2 de picas, o el 2 de picas y
2.
3, 4, 5, 6, 7, 8, 9, 10, luego el 2 de corazones.
Jota, Reina, o Rey.
¿Cuál es la
probabilidad de que
ambas cartas sean 2s?
En situaciones que crean grupos de objetos (como personas, canicas, o cartas),
necesitamos saber si su orden importa o no. De lo contrario no podemos encontrar
los espacios muestral y de eventos.

Considera el ejemplo del equipo. En el espacio muestral, el resultado John, Perna,

Tosho, Lee es el mismo que el resultado Perna, Lee, John, Tosho — no hay
diferencia entre los equipos creados, aunque los nombres de los miembros hayan
sido mencionados en un orden distinto. Por otro lado, supongamos que la primera
persona sacada debe ser la que lance un globo lleno de agua, la segunda tiene que
atraparlo, la tercera es quien lo revienta (si aún sigue intacto), y la cuarta es quien
trata de colectar el agua en un vaso. Si John es un lanzador terrible pero Perna es
buena lanzando, sería mejor para el equipo que saliera Perna, Lee, John, Tosho
(para que Perna lance a Lee) que John, Perna, Tosho, Lee (John lance a Perna). El
orden importaría.
EJERCICIOS