INSTITUTO DE MATEMÁTICA Y FIsiCA

Análisis Exploratorio de Datos

Resumen gráfico y numérico

DOCENTE Gloria Correa Beltrán

Etapas del Método Científico
Pasos a seguir en el Análisis Exploratorio de Datos

De Barra
cuando no
están
agrupados
 Medidas Descriptivas Numéricas

- Media
Tendencia
- Moda
Central
- Mediana

- Rango
- Varianza
Dispersión
- Desviación Estándar
- Coeficiente de Variación
Medidas de:

- Asimetría
Forma
- Curtosis

- Cuartiles
Posición - Quintiles
(Cuantiles) - Deciles
- Percentiles
 Medidas de Tendencia Central

Media Aritmética

• Se calcula sumando el valor de todos los datos y dividiéndolos por

el número total de ellos.
• Es muy sensible a los valores extremos.

Moda

• Se define como el valor que se presenta con más frecuencia.

• No es sensible a valores extremos.
• Cuando es obtenida a partir de una tabla con datos sin agrupar, la
moda es el valor con más alta frecuencia. Y cuando es obtenida a
partir de una tabla con datos agrupados, la moda es la marca de
clase con más alta frecuencia.
 Medidas de Tendencia Central

Moda
Puede no ser un estadígrafo único, en una distribución de frecuencias
podría existir más de una moda (bimodal, trimodal), también es
posible que alguna distribución no tenga moda.

Sin Una moda Dos modas Tres modas

moda Unimodal Bimodal Trimodal
 Medidas de Tendencia Central

Mediana

• Divide la distribución en dos partes con igual cantidad de datos.

• Si los datos se ordenan en forma creciente o decreciente, la

mediana es el valor que se encuentra en el medio de la distribución.

• Si el número de datos es impar entonces la mediana coincide con el

dato que se encuentra en la mitad.

• Si el número de observaciones es par, habrá dos observaciones

centrales en ese caso la mediana será el promedio de ellas.

• La mediana no es sensible a valores extremos, esta medida

depende del número de observaciones y no de la magnitud de
ellas.
 Dispersión
Variabilidad de los datos ≠ Homogeneidad de los datos

• Alejamiento o concentración de los datos con respecto a un valor

central (promedio).

• Una dispersión pequeña indica que es poco el alejamiento de los

datos con respecto al valor central.

Poco Muy disperso

disperso
 Medidas de Dispersión

Rango o Recorrido

• Se obtiene restando el dato mayor con el menor.

• Es la Medida de Dispersión más elemental.

• Proporciona información imprecisa, pues sólo considera los valores

extremos de la distribución.

• Es independiente de las Medidas de Tendencia Central.

 Medidas de Dispersión

Varianza n

  xi  x 
2

S2  i 1

• Promedio de las desviaciones (distancia, resta) al cuadrado de los

datos con respecto a la media aritmética.
• Unidad de medida de los datos al cuadrado.

Desviación Estándar
S  S2

• Raíz cuadrada positiva de la varianza.

• Misma unidad de medida de los datos.
• Más fácil de interpretar.
 Medidas de Dispersión

Coeficiente de Variación
S
CV  100
x
• Medida de dispersión adimensional, que entrega el resultado en
porcentaje.

• Permite comparar dos distribuciones independiente de sus

unidades de medida.

• Dados dos conjuntos, el menos disperso es aquel que tenga un

Coeficiente de Variación menor.

• Un Coeficiente de Variación mayor al 30% indica que los datos están

muy dispersos, no son homogéneos.
 Medidas de Forma
Asimetría o Sesgo

• Falta de simetría de una distribución de

frecuencias con respecto a una
distribución simétrica unimodal.
• Una distribución es asimétrica si el lado
45

40

35

derecho e izquierdo son diferentes con 30

25

respecto a un valor central. 20

15

10

0
6 7 8 10 11 13 14

Simétrica Asimétrica a la derecha Asimétrica a la izquierda

(sin sesgo) (sesgo positivo) (sesgo negativo)

=0 >0 <0
 Medidas de Forma

Curtosis

Grado de apuntamiento de una distribución de frecuencias con

respecto a una distribución simétrica unimodal de forma acampanada.

Mesocúrtica Leptocúrtica Platicúrtica

(acampanada) (espigada) (achatada)

=0 >0 <0
 Medidas de Tendencia Central
Medidas numéricas representativas de una distribución de frecuencias

Si la distribución de frecuencias es:

Simétrica Asimétrica Sinusoidal
La Media es el valor más
representativo de la La Mediana es mejor
La Moda es más representativa
distribución por estar representante que la
que la media y la mediana.
equidistante de los media.
extremos.
 Orden de Medidas de Tendencia Central
en una distribución de frecuencias

Si la distribución de frecuencias es:

Simétrica Asimétrica a la derecha Asimétrica a la izquierda

x = Md = Mo Mo < Md < x x < Md < Mo

 Formas de Distribuciones

Simétrica, Acampanada, Unimodal Bimodal

Ej. Puntajes de la PSU Ej. Estatura de la población de hombres y

mujeres

Asimétrica a la derecha Asimétrica a la izquierda

Ej. Sueldos de una industria Ej. Notas de Bioestadística

 ¿Qué forma tiene la distribución de la
estatura?
El entrenador antes del partido pregunta a
sus jugadores:
¿qué hacemos
le mandamos a los rivales la estatura
promedio del equipo
o
los tranquilizamos con la estatura mediana?.

Un alumno de bioestadística olvidó

que la variabilidad es importante
…
aquí lo vemos ahogándose en un río
con una profundidad promedio de 30
centímetros.
 Medidas de Posición o Cuantiles

Valores que dividen a la distribución en cuatro, cinco, diez o cien partes iguales.

Cuartiles
Valores que dividen a una distribución de frecuencias en cuatro partes iguales,
mediante el primer, segundo y tercer cuartil.

25% 25% 25% 25%

Min C1 C2 C3 Max
Md

Quintiles
Valores que dividen a una distribución de frecuencias en cinco partes iguales,
mediante el primer, segundo, tercer y cuarto quintil.

20% 20% 20% 20% 20%

Min Q1 Q2 Q3 Q4 Max
 Medidas de Posición o Cuantiles

Deciles
Valores que dividen a una distribución de frecuencias en diez partes iguales,
mediante el primer, segundo, … y noveno decil.

10% 10% 10% … 10% 10% 10%

Min D1 D2 D8 D9 Max

Percentil
Valores que dividen a una distribución de frecuencias en cien partes iguales,
mediante el primer, segundo, … y 99avo percentil.

1% 1% 1% … 1% 1% 1%

Min P1 P2 P98 P99 Max

 GRAFICO DE CAJA
Box Plot

El interior de la caja encierra el 50% central

de los casos. La longitud de la caja da una
idea de la variabilidad de los datos.

Sus límites son el 25 %

superior e inferior de los
casos.

El límite inferior de la caja

representa el cuartil 1 o
percentil 25.

El límite superior es el
cuartil 3 ó percentil 75.
La longitud de la caja es el
rango intercuartil:
Q = Q3 - Q1
 GRAFICO DE CAJA
Box Plot

El pequeño cuadradito
dentro de la caja
representa la media y
la línea que divide a la
caja en dos partes es la
mediana (cuartil 2 ó
percentil 50).

La ubicación de
la media y la
mediana da una
idea de la
tendencia
central de los
datos.
 GRAFICO DE CAJA
Box Plot

Desde los extremos de la caja se trazan líneas

hasta los respectivos valores adyacentes. A
estas líneas se les llama “antenas”.

Se llaman puntos atípicos

u outliers a aquellos
datos que se encuentran
fuera de las barreras
internas y dentro de las
barreras externas.

Se llaman puntos
extremos a aquellos
puntos ubicados fuera de
las barreras externas.
 GRAFICO DE CAJA
Box Plot

A través de un gráfico caja se puede identificar el tipo de asimetría de

una distribución de frecuencias unimodal:

• Si la posición de la mediana se encuentra en la mitad de la caja y las

antenas tienen la misma longitud, la distribución es simétrica.
 GRAFICO DE CAJA
Box Plot

• Si la posición de la mediana se encuentra ubicada más cerca del

primer cuartil y la antena superior es de mayor longitud que la
antena inferior, la distribución presenta sesgo positivo.
 GRAFICO DE CAJA
Box Plot

• Si la posición de la mediana se encuentra ubicada más cerca del

tercer cuartil y la antena superior es de menor longitud que la
antena inferior, la distribución presenta sesgo negativo.
 GRAFICO DE CAJA
Box Plot

Este tipo de representación es especialmente útil

para comparar:

• La distribución de los datos de una misma

variable en varios grupos.

• Una misma variable medida en momentos

diferentes.
 Volvamos al ejemplo anterior

Número Porcentaje
Marca Número Porcentaje
de de
Edad de de de
personas personas
clase personas personas
acumulado acumulado
[ 60,0 ; 67,3 ] 63,65 4 13,3 4 13,3
( 67,3 ; 74,5 ] 70,90 8 26,7 12 40,0
( 74,5 ; 81,8 ] 78,15 11 36,7 23 76,7
( 81,8 ; 89,0 ] 85,40 7 23,3 30 100,0
Total 30 100,0

12
11
Estadístico Edad
10 Minimo 60
9 Cuartil 1 71
Número de personas

8 Media 75,67
7 Mediana 76
5
Cuartil 3 81
4
Máximo 89
3
Asimetría -0,12
2
1
Kurtosis -0,69
0 Desviación Estándar 7,93
60,0 67,3 74,5 81,8 89,0
Edad (años)
Coeficiente de Variación 10,48
 GRAFICO DE CAJA
Construcción del Box Plot

• Se traza un rectángulo cuyos extremos se ubican en el primer y tercer

cuartil.

• En la caja se traza una recta horizontal en el lugar de la mediana.

• En el centro horizontal y a la altura de la media se dibuja un punto.

• Se calcula el rango intercuartil (C = C3 – C1).

• Calcular las barreras internas

BI1 = C1 – 1.5 C BI2 = C3 + 1.5 C

• Calcular las barreras externas

BE1 = C1 – 3C BE2 = C3 + 3C
 GRAFICO DE CAJA
Construcción del Box Plot

• Identifica los puntos adyacentes: Se llaman puntos adyacentes al

mínimo y máximo dato que se encuentran dentro de las barreras
internas. Desde los extremos de la caja se trazan líneas hasta los
respectivos valores adyacentes. A estas líneas se les llama “antenas” o
“bigotes”.

• Identifica los puntos atípicos: Se llaman puntos atípicos u outliers a

aquellos datos que se encuentran fuera de las barreras internas y
dentro de las barreras externas.

• Identifica los puntos extremos: Se llaman puntos extremos a aquellos

puntos ubicados fuera de las barreras externas
 GRAFICO DE CAJA
Ejercicio 1
Los datos corresponden a las cantidades gastadas en miles de pesos por una
muestra aleatoria de clientes de un supermercado.

30 - 50 - 90 - 90 - 90 - 100 - 110 - 110 - 110 - 110 - 120 - 150

BI1 = C1 – 1.5 C
X = 96,7 = 90 – 1.5 * 20
Md = 105 = 60
C1 = 90
C3 = 110 BI2 = C3 + 1.5 C
C = 20 = 110 + 1.5 * 20
= 140

BE1 = C1 – 3C BE2 = C3 + 3C
= 90 – 3 * 20 = 110 + 3 * 20
= 30 = 170
GRAFICO DE CAJA
Ejercicio 2
GRAFICO DE CAJA
Ejercicio 2
 GRAFICO DE CAJA
Ejercicio 2

BI1 = C1 – 1.5 C
X = 14,2 = 12,3 – 1.5 * 3
Md = 13,7 = 7,8
C1 = 12,3
C3 = 15,3 BI2 = C3 + 1.5 C
C = 3,0 = 15,3 + 1.5 * 3
= 19,8

BE1 = C1 – 3C BE2 = C3 + 3C
= 12,3 – 3 * 3 = 15,3 + 3 * 3
= 3,3 = 24,3
 GRAFICO DE CAJA
Ejercicio 7 - Guía 2

A partir del Box Plot ¿Qué comparaciones es posible hacer entre los dos
grupos?
 Resumen
del
Capítulo

Observación:
[Link] El gráfico de tallo y hoja no lo estudiamos,
por lo tanto, tampoco los ejercicios que lo
incluyan.
[Link]