ORGANIZACION DE DATOS DE VARIABLES NUMÉRICAS
Distribuciones de frecuencia de variables discretas
Las variables numéricas se organizan en tablas de frecuencias. La tabla
resume la presencia de los datos registrados, indicando la frecuencia
absoluta con que se presenta cada valor.
Establecemos algunas definiciones para el conjunto de datos que se
tiene:
N : cantidad de datos
fi : frecuencia absoluta del dato i-ésimo. Cantidad de veces que se
f
=
presenta elh dato
i
N en el lote.
i
hi: frecuencia relativa del dato i-ésimo. fi
hi =
i N
Fi = ∑ f i Fi : frecuencia absoluta acumulada hasta el dato i-ésimo.
j =1
i
F j =1
∑f i
Hi: frecuencia relativa acumulada hasta el dato i-ésimo.
Hi = i =
N N
Estas frecuencias se muestran en una tabla que
constituirá la distribución de frecuencias del lote de datos.
Ejemplo:
Se estima que en Asunción del Paraguay existen alrededor de
15.000 niños que trabajan en las calles, con ocupaciones diversas,
desde la mendicidad, hasta de carretilleros en mercados, vendedores
ambulantes, etc. Con datos de encuestas realizadas por la UNA
(Universidad Nacional de Asunción – Paraguay) a un total de 206
“niños de la calle” de Asunción, se estudiaron diversas variables.
Entre ellas, el nro. de hermanos/as que tiene c/u de los encuestados,
Nº de hnos. Frecuencia Frec. Relat. % Frec. Acum.
0 23 11,16 23
Tabla 1.- Número de hermanos de 206 1 37 17,96 60
niños de la calle Asunción. 2 58 28,16 118
Datos de la UNA
3 57 27,67 175
4 18 8,74 193
5 10 4,85 203
6 3 1,46 206
Total 206 100
La variable es discreta, por lo tanto el gráfico más conveniente
es el diagrama de bastones. La idea es la misma que en el
diagrama de barras: la frecuencia se muestra en la altura del
bastón, llamado así para distinguir de la barra, ya que en este
caso al tratarse de valores numéricos, se trata sólo de un
segmento.
El diagrama de frecuencias acumuladas muestra una función de
la cantidad de datos "menores que" para todos los valores reales.
Por lo tanto se trata de una función escalonada, con los valores
indicados en la tabla, ya que no puede haber datos intermedios
entre dos valores dados. Se muestran ambos diagramas a
continuación:
Gráfico 1.- Diagrama de bastones Gráfico 2.- Diagrama de frecuencias acumuladas
Número de hermanos Número de hermanos
206 niños de la calle- Asunción. UNA 206 niños de la calle- Asunción. UNA
Distribuciones de frecuencia de variables continuas
Si la variable es continua, no podemos ignorar que se pueden obtener
valores intermedios entre dos datos dados. Por lo tanto los diagramas serán
diferentes.
Cuando tenemos variables continuas, organizamos la tabla de frecuencias
definiendo intervalos de clase.
Esta tabla permite realizar un gráfico llamado histograma.
Ejemplo
Los siguientes datos son las notas de 41 alumnos de un curso de
Estadística, calificados de 0 a 100:
81 87 86 60 51 90 88 90 78
100 97 70 88 88 90 60 45 60
62 11 50 91 35 97 63 100 91
41 81 98 74 89 98 76 47 66
78 60 94 53 75
Los datos se clasifican en intervalos, llamados intervalos de clase.
En cada intervalo se representa la frecuencia correspondiente con
una barra. Los intervalos deben ser exahustivos y no solapados.
La primera pregunta que se nos presenta cuando tenemos un
conjunto de datos de variables continuas es: ¿cuántos intervalos se
deben realizar?. Se recomienda no menos de 5 ni más de 20,
dependiendo de la cantidad de datos que tengamos. Otra alternativa
es usar la fórmula de Sturges que recomienda para intervalos de
igual tamaño:
Nº de intervalos = 1 + 3.33 ln N
siendo N la cantidad de datos. Esta fórmula es útil cuando N es
muy grande, pudiendo usarla como una guía y a partir de allí hacer
algunos cambios convenientes.
Los datos se agrupan con el fin de brindar información más
rápida, pero al formar los intervalos se pierde la información
puntual. Se debe cuidar no perder demasiada información.
En el histograma, las frecuencias de clase están
representadas por el área de la barra en cada clase.
Por esto la altura de cada barra, será la frecuencia dividida
por la amplitud del intervalo.
Si los intervalos son de la misma amplitud, se puede
realizar el histograma usando las frecuencias como alturas,
ya que en ese caso el diagrama es el mismo, sólo sufre un
cambio de escala que no
modifica la información mostrada.
El área de todas las barras es N, y en el caso de usar
frecuencias relativas, el área es 1. Dentro de lo posible, es
conveniente trabajar con intervalos de igual amplitud.
Sobre el histograma se dibuja el polígono de frecuencias, se obtiene
uniendo los puntos medios de la parte superior de cada barra; se suele
agregar intervalos de frecuencia cero al comienzo y al final, para
comenzar y terminar el polígono en el eje.
El polígono de frecuencias muestra la misma información que el
histograma, pero da una idea de crecimiento o decrecimiento más real
que las barras del histograma.
Con los datos del ejemplo dibujaremos diferentes histogramas a fin
de elegir el más conveniente. Para cada caso se muestra la tabla de
distribución de frecuencias por intervalos y el gráfico obtenido con el
programa ”Asistente de Estadística” en la computadora. Como son
intervalos de igual amplitud, el eje vertical muestra frecuencias.
Histograma 1: 20 intervalos de amplitud 4.55
Para tan pocos datos es una cantidad exagerada de intervalos. No se
ha perdido demasiada información, pero no resulta fácil hacer un
análisis global rápido. Veamos el histograma:
Histograma 2: 13 intervalos de amplitud 7
En este caso se ha usado la sugerencia de la fórmula de Sturges, dibujando
13 intervalos, pero sigue siendo un problema para el análisis a juzgar por los
bruscos cambios de dirección del polígono de frecuencias.
Histograma 3: 7 intervalos de amplitud 13
Se ha logrado más suavidad en la curva (polígono), aunque todavía hay un
cambio brusco en el quinto intervalo. Un cambio así puede ser importante de
tener en cuenta, o también puede ser que sólo sea producto de la elección de
los intervalos.
En este caso el inconveniente que se presenta es que los límites de intervalos
son números enteros y como consecuencia algunos datos caen justo en los
límites, cosa que no es recomendable.
Histograma 4: 7 intervalos de amplitud 14.286
Conservando la cantidad de
intervalos, hemos variado la
amplitud.
Logramos un histograma que
nos muestra en forma clara y
rápida el rendimiento de los
alumnos.
Aunque los límites de
intervalos tienen muchos
decimales, ningún dato cae en
la frontera de intervalos.
Además se puede redondear
la amplitud en 14.3. El aspecto
del histograma sería el mismo.
Histograma 5: 5 intervalos de amplitud 8.2
De nuevo se presenta un
quiebre del polígono.
Es posible que con una
pequeña traslación s
consiga suavizar la curva.
Si esto persiste se debe
investigar la causa.
Vemos cómo al ir
disminuyendo la cantidad
de intervalos, se va
perdiendo más
información.
Histograma 6: 3 intervalos de amplitud 31
En este caso se ha perdido
demasiada información, no es
conveniente aún si la cantidad
de datos es chica, tener
menos de cinco intervalos.
Tenemos 25 alumnos en la
última clase y no sabemos
cuántos estarán en los
puntajes más altos.
Cada investigación tendrá que
decidir el histograma más
conveniente.
El tipo de datos, la cantidad, lo
que se quiere resaltar, etc.
harán más clara la opción.
Para continuar con nuestro análisis, elegiremos el histograma de 7
intervalos, pero con amplitud 14, para tener una tabla más clara a la
lectura. Cada intervalo se considera cerrado a la izquierda y abierto
a la derecha, para el caso en que algún dato caiga justo en el límite
de dos intervalos. En la distribución de frecuencias por intervalos de
clase usamos la siguiente nomenclatura:
I i : intervalo iésimo - I i = [ l i ; l i+1 )
fi : frecuencia absoluta del intervalo i-ésimo. Cantidad de datos en
el intervalo.
x i´ : punto medio del intervalo iésimo.
hi: frecuencia relativa del intrvalo i-ésimo.
Fi : frecuencia absoluta acumulada hasta el intervalo i-ésimo.
Hi: frecuencia relativa acumulada hasta el intervalo i-ésimo.
Tabla 2.- Distribución de frecuencias para las notas de 41
alumnos de Estadística:
Clases Intervalo Frecuencia Punto medio Frecuencia Frecuencia Frec. Relat.
I f x´ relativa acumulada F Acumulada
h H
1 10-24 1 17 0.024 1 0.024
2 24-38 1 31 0.024 2 0.048
3 38-52 5 45 0.122 7 0.170
4 52-66 7 59 0.171 14 0.341
5 66-80 7 73 0.171 21 0.512
6 80-94 13 87 0.317 34 0.829
7 94-108 7 101 0.171 41 1
Gráfico 3.- Histograma:
Notas Estadística
13
10 24 38 52 66 80 94 108
El histograma nos da información sobre el
conjunto de datos que se analiza. Por ejemplo
nos permitirá responder preguntas como:
En qué rango de valores están nuestras notas?
Los datos están muy concentrados?, O
dispersos?
En qué intervalo se tiene la mayor frecuencia?
Hay notas muy bajas?
Hay notas muy altas?
Qué se puede decir del rendimiento de estos
alumnos?, etc.
Gráfico 4.- Diagrama de frecuencias acumuladas:
Notas Estadística
41
34
21
14
10 10 24 24 38 38 5252 6666 8080 94
94 108
108
El diagrama de frecuencias acumuladas se obtiene dibujando las barras de
cada intervalo con una altura igual a la frecuencia acumulada. Sobre el
diagrama se dibuja una poligonal uniendo los puntos extremos superiores
derechos de cada barra acumulada. Esta curva, llamada “ojiva”, representa el
crecimiento de la frecuencia acumulada, suponiendo que los datos dentro de
cada intervalo están uniformemente distribuídos.
La ojiva nos permite responder preguntas como:
¿Cómo crece la frecuencia a medida que aumentamos la nota? ¿Cuántos
alumnos tendrán notas menores que 80? ¿Cuántos tendrán notas menores que
60? ¿Qué porcentaje supera los 90 puntos? ¿Qué notas tienen el 25% de
menor puntaje? etc. Para responder algunas preguntas será necesario
interpolar en la ojiva.
El mismo diagrama, con el cambio de escala correspondiente, representará la
frecuencia acumulada porcentual y esto nos permitirá responder los mismos
interrogantes en valores porcentuales.
Si la variable es discreta se usa el diagrama de bastones. Si es continua se
puede realizar un histograma. Pero la cantidad de datos en realidad nos
inclinarán por una u otra opción, de tal manera que la información se muestre
en forma sencilla se pueda describir lo observado.
Histogramas con intervalos de amplitud diferente
Para construir un histogramas con intervalo de amplitud diferente tenemos que
calcular las alturas de los rectángulos del histograma.
hi es la altura del intervalo.
fi es la frecuencia del intervalo.
ai es la amplitud del intervalo.
Ii fi hi
[0, 5) 15 3
[5, 7) 20 10
[7, 9) 12 6
[9, 10) 3 3
50