Apuntes de Estadística

Apuntes
INSTITUTO POLITECNICO NACIONAL

ESCUELA SUPERIOR DE TURISMO
Lic. Orlando Aguirre Hernndez

Lic. Julio Alfonso Betancourt Pineda
Lic. Oscar Mayo Leytte
www.geocities.com/omlayutmx/apuntes
CONTENIDO:
INDICE
1. INTRODUCCION
1.1 Divisin de la estadstica
1.2 Divisin del trabajo estadstico
1.3 Presentacin de informacin
PAG.
3
3
3
5
2. CLASIFICACION DE DATOS
2.1 Clases y frecuencias
2.2 Frecuencias acumuladas y desacumuladas
2.3 Histogramas y polgonos
2.4 Frecuencias relativas
9
10
14
16
17
3. MEDIDAS DE TENDENCIA CENTRAL (PROMEDIOS)

3.1 Media aritmtica
3.2 Media ponderada
3.3 Mediana
3.4 Moda
3.5 Simetras y asimetras de una serie de datos
3.6 Media geomtrica
3.7 Media armnica
20
20
28
29
36
38
41
43
4. MEDIDAS DE VARIACION (DISPERSION)

4.1 Rango o recorrido
4.2 Desviacin media
4.3 Desviacin estndar
4.4 Coeficiente de variacin
4.5 Medidas de asimetra
4.6 Medidas de apuntamiento o kurtosis
47
47
48
51
54
55
57
5. CONCEPTOS BASICOS DE PROBABILIDAD

5.1 Permutaciones
5.2 Combinaciones
5.3 Distribucin de Probabilidad
5.4 Distribucin Normal
64
64
67
68
70
ANEXO A
REPASO DE LOGARITMOS
78
ANEXO B
TABLA DE AREAS BAJO LA CURVA NORMAL
81
ANEXO C
EJERCICIOS PROPUESTOS
82
APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO
1 INTRODUCCION
1.1 Divisin de la estadstica:

La estadstica en general se divide en dos reas fundamentales: La Estadstica
Descriptiva y la Estadstica Inferencial, en apego a la literatura existente de la
materia, se establece la misma divisin general, es decir, Estadstica Descriptiva y
Estadstica Inferencial, para que de acuerdo a los planes y programas aprobados en
las Escuelas de Ciencias Sociales y Administrativas, se puedan estudiar los
captulos y secuencia que correspondieran.
Lo importante en nuestro caso, sern las aplicaciones que se realizan al Turismo y
al Comercio Internacional con objeto de comprender mejor la utilidad de esta
asignatura.
Entenderemos a la Estadstica Descriptiva como la abstraccin cuantitativa de un
fenmeno, con el propsito de conocer sus caractersticas, analizando series de
datos y determinando conclusiones acerca del comportamiento de estas variables.
Como Estadstica Inferencial entenderemos la abstraccin cuantitativa de un
fenmeno con el propsito de analizarlo y de estimar adems sus movimientos
(comportamiento) en el tiempo y/o en el espacio.
1.2 Divisin del trabajo estadstico.

El profesionista que hace uso de la estadstica como una importante herramienta de
apoyo para la toma de decisiones, deber seguir los pasos que a continuacin se
dan, con el propsito de conocer las caractersticas de un fenmeno:
(1). Recoleccin de datos del fenmeno
(2). Crtica y depuracin de datos
(3). Organizacin de la informacin
(4). Presentacin
(5). Anlisis e interpretacin de resultados
Estos pasos consisten en lo siguiente:
(1) Recoleccin de datos del fenmeno

Comprende la bsqueda de los datos que nos permitirn conocer las caractersticas de
un fenmeno, tal informacin la buscaremos en diferentes fuentes, esperando que
ORLANDO AGUIRRE HERNANDEZ,
JULIO BETANCOURT PINEDA
OSCAR MAYO LEYTTE
exista, ya que en caso contrario, estaramos frente a un problema ya no de la

Estadstica Descriptiva sino de la Estadstica Inferencial, debido a que tendramos en
tal situacin que realizar un "muestreo", es decir, aplicar un cuestionario para conocer
datos acerca del fenmeno que estemos analizando con algunas tcnicas apropiadas.
Aqu sin embargo, damos los pasos a seguir para conocer fenmenos de los cuales si
existe informacin publicada, debiendo distinguir las fuentes de donde podramos
obtener datos, clasificndolas de la siguiente manera:
a) Fuentes primarias:
b) Fuentes secundarias:
c) Fuentes terciarias:
a) Fuentes primarias:
Son aquellos datos publicados o disponibles en las instituciones, dependencias o
empresas reconocidas y/o mas cercanas al fenmeno observado.
b) Fuentes secundarias:
Correspondern a aquellas que citan (han tomado datos) de fuentes primarias
reconocidas.
c) Fuentes terciarias:
Son aquellas que citan (han tomado datos) de fuentes secundarias, esto significara,
dar citas de citas, considerando que hasta aqu sera posible darle alguna
confiabilidad a la informacin correspondiente.
(2). Crtica y depuracin de datos:

En esta fase se compararn los datos obtenidos contra criterios o normas
establecidas, para ver si estn o no correctos.
(3) Organizacin de la informacin:

Se refiere a la clasificacin de los diferentes datos que obtengamos, para efectos de
su presentacin, anlisis e interpretacin correspondientes.
(4) Presentacin:
Aqu consideramos la elaboracin de tablas estadsticas y grficas que permitan
conocer las caractersticas del fenmeno que estemos analizando.
OSCAR MAYO LEYTTE
(5) Anlisis e interpretacin de resultados:

La parte de anlisis corresponde al tratamiento de los datos para obtener las diferentes
medidas (indicadores) estadsticos, es decir, promedios, medidas de variacin y otros
indicadores, la interpretacin corresponde a conocer el significado de los datos para
efecto de orientar la toma de decisiones.
1.3 Presentacin de informacin

La informacin podr presentarse en tablas (cuadros) y/o grficas para apreciar
mejor cuales son las caractersticas del fenmeno que estemos analizando.
Las tablas o cuadros estadsticos tendrn en general la siguiente estructura:
TITULO DE LA TABLA
NOTA DE TITULO
Concepto
Encabezado
Encabezado
Encabezado
CUERPO DE LA TABLA o CUADRO ESTADISTICO
Notas de pie de la tabla

Fuentes de informacin
A partir de la informacin de la tabla se pueden elaborar grficas, como las que se

muestran a continuacin:
100
80
4o. trim.
60
3er trim.
40
2o. trim
20
1er trim.
0
1er
trim .
2do
trim .
3er 4to trim .

trim .
20
40
60
80
100
OSCAR MAYO LEYTTE
Existen otros muchos tipos de grfica, como las de reas, de volumen, de figuras, de
pastel, etc.
100
60
80
40
60
20
40
Norte
0
rim
.
tr
im
.
0
1er trim.
2do trim.
3er trim.
4to trim.
4t
o
3e
rt
tr
im
.
tr
im
.
Este
2d
o
1e
r
20
Oeste
200
100
150
100
50
50
Este
0
1er
trim.
3er
trim.
1er
2 do
3er
4t o
t r i m.
t r i m.
t r i m.
t r i m.
1er trim.
200
1er trim.
4to trim.
100
4to trim.
2do trim.
2do trim.
3er trim.
3er trim.
Una de las grficas particularmente importantes es la de barras horizontales, que

nos servir para obtener los llamados "polgonos de frecuencias", esto es, una
distribucin de frecuencias; a esta grfica de barras horizontales se le conoce
OSCAR MAYO LEYTTE
tambin como histograma de frecuencias, de donde el polgono se obtiene uniendo

los puntos medios de cada barra en su altura correspondiente de manera discreta,
es decir, con lneas rectas.
100
90
80
70
60
50
40
30
20
10
0
1er trim.
2do trim.
3er trim.
4to trim.
Histograma de frecuencias
Cabe destacar que existen dos tipos de polgonos de frecuencias, los llamados
"discretos", cuya caracterstica es que los puntos medios de cada barra se unen en
lo alto con lneas rectas; los otros tipos de polgonos se llaman "continuos" y tienen
la caracterstica estos, de unir los puntos medios de cada barra con curvas, a
continuacin se presentan ambos tipos de polgonos (grficas), basados en las
mismas barras anteriores.
Histograma de frecuencias y polgono de frecuencias
100
90
80
70
60
50
40
30
20
10
0
1er trim.
2do trim.
3er trim.
4to trim.
Polgono de frecuencias discreto

(grfica discreta)
OSCAR MAYO LEYTTE
100
90
80
70
60
50
40
30
20
10
0
1er trim.
2do trim.
3er trim.
4to trim.
Polgono de frecuencias continuo (sin picos)

(grfica continua o con curvas)
OSCAR MAYO LEYTTE
2 CLASIFICACION DE DATOS
Debemos considerar que las variables a utilizar, pueden ser de dos tipos:
1. Variables cualitativas o atributos: no se pueden medir numricamente
(por ejemplo: nacionalidad, color de la piel, sexo).
2. Variables cuantitativas: tienen valor numrico (edad, precio de un
producto, ingresos anuales).
Las variables tambin se pueden clasificar en:
A. Variables unidimensionales: slo recogen informacin o datos sobre una
caracterstica (por ejemplo: edad de turistas).
B. Variables bidimensionales: recogen informacin o datos sobre dos
caractersticas de la poblacin (por ejemplo: edad y altura de turistas).
C. Variables pluridimensionales: recogen informacin o datos sobre tres o
ms caractersticas (por ejemplo: edad, altura y peso de turistas).
Por su parte, las variables cuantitativas se pueden clasificar en discretas y
continuas:
Discretas: slo pueden tomar valores enteros (1, 2, 8, -4, etc.). Por
ejemplo: nmero de hermanos (puede ser 1, 2, 3...., etc. pero, por ejemplo,
nunca podr ser 3.45).
Continuas: pueden tomar cualquier valor real dentro de un intervalo. Por
ejemplo, la velocidad de un vehculo puede ser 80,3 km/h, 94,57 km/h...etc.
Cuando se estudia el comportamiento de una variable hay que distinguir los
siguientes conceptos:
Individuo: cualquier elemento que porte informacin sobre el fenmeno
que se estudia. As, si estudiamos la edad de turistas, cada turista es un
individuo; si estudiamos el precio de un cuarto de hotel, cada cuarto de
hotel es un individuo.
Poblacin: conjunto de todos los individuos (personas, objetos, animales,
etc.) que aporten informacin sobre el fenmeno que se estudia. Por
ejemplo, si estudiamos el precio de un cuarto de hotel en una ciudad, la
poblacin ser el total de los cuartos de hotel en dicha ciudad.
Muestra: subconjunto que seleccionamos de la poblacin. As, si se
estudia el precio de un cuarto de hotel en una ciudad, lo normal ser NO
recoger informacin sobre todas los cuartos de hotel de la ciudad (sera
una labor muy compleja), sino que se suele seleccionar un subgrupo
(muestra) que sea suficientemente representativo.
OSCAR MAYO LEYTTE
Cuando los datos que obtengamos de un fenmeno son pocos, no existir mayor
problema en pasar a las siguientes fases de trabajo estadstico, no requiriendo
ningn tipo de agrupacin (clasificacin) de tales datos; diremos que podemos
trabajar con "datos NO agrupados" o "datos simples", sin embargo, si los datos son
muchos, necesitaremos clasificarlos y agruparlos, para su adecuado tratamiento,
llamando a su clasificacin "datos agrupados" (en las llamadas clases y
frecuencias).
2.1 Clases y frecuencias

Se pueden entonces clasificar los datos en lo que se llama "clases", esto es,
intervalos o rangos entre los que se comprendern los diferentes datos obtenidos.
Por ejemplo:
Ingreso familiar de turistas
Nm. familias
Clases
frecuencia: f
1 a 2,000
2,001 a 4,000
4,001 a 6000
Etc.
f1
f2
f3
fn
Interesa saber cuantas familias ganan determinado ingreso, de acuerdo a una

clasificacin como la anterior o alguna otra que consideremos la adecuada, si
estamos haciendo una encuesta y tuvisemos que cuantificar manualmente,
haramos algo como lo siguiente:
Ingreso familiar de turistas
Nm. de la familias
Clases
Frecuencia: f
1 a 2,000
2,001 a 4,000
4,001 a 6000
6,001 en adelante
//// //
//// //// //
//// //// /
////
= 7
= 12
= 11
= 5
Esto nos lleva al concepto de frecuencia, que es el nmero de repeticiones que tiene
alguna clasificacin o clase.
OSCAR MAYO LEYTTE
10
Criterios para establecer clases.

El nmero de clases se recomienda este comprendido entre 5 y 20
5 nmero de clases 20
Tambin existe un criterio llamado "Regla de Sturges", que emplea la siguiente
frmula:
Nm. de clases = 1 + 0.3 (log. n)

Donde: n = nmero de datos
Su desventaja es que resulta muy rgida y para efectos de anlisis puede presentar
dificultades. Por lo tanto establecer el nmero de clases queda a criterio personal,
debiendo nicamente cuidar que ese nmero este entre 5 y 20.
Intervalo de clase (i)
Otro aspecto muy importante es el que se refiere al llamado "intervalo de clase" (i),
este intervalo corresponde a la distancia que exista entre el lmite inferior de una
clase y su lmite superior correspondiente, por ejemplo:
Clases
Lmite Inferior
1
2,001
a
a
Lmite
Superior
2,000
4,000
i = (lmite superior) - (lmite inferior en la misma clase)

as tenemos:
i = 2,000 - 1
= 1,999
en la primer clase
i = 4,000 - 2,001
= 1,999
en la segunda clase
OSCAR MAYO LEYTTE
11
La amplitud de los intervalos intervalo depender del nmero de clases que se

hallan establecido, se cuidar de que exista la suficiente proporcionalidad para que
ello permita pasar fcilmente a una representatividad grfica adecuada.
Caracterstica de algunas clases. Podemos tener intervalos abiertos o cerrados
como sigue:
Ejemplo de Clases Abiertas y Cerradas

Clases
Lmite Inferior
menos de 1000
1001
2001
3001
5001
6001
Lmite Superior
1000
2000
3000
4000
6000
ms de 6001
a
a
a
a
Vemos en lo anterior que la primera clase dice: "menos de, en tanto que la ltima
dice: "o mas de", estas son las llamadas clases abiertas, es decir, no se define
exactamente el lmite inferior o superior, lo cual puede presentarnos dificultades
tanto para efectos de anlisis como para graficacin; por ello no es recomendable en
lo posible, que no se establezcan clases abiertas, es decir, que haya clases
cerradas como las dems del ejemplo anterior, tal como: 1001 a 2000, 2001 a 3000,
etc.
Se recomienda por lo tanto y en lo posible, establecer clases que an cuando no
necesariamente comiencen con cero no sean abiertas, por ejemplo:
Ejemplo de Clases Cerradas

Clases
Lmite Inferior
2001
3001
5001
6001
7001
9001
Lmite Superior
a
a
a
a
a
a
3000
4000
6000
7000
9000
11000
OSCAR MAYO LEYTTE
12
Frecuencias simples (f), frecuencias acumuladas (fa), frecuencias

desacumuladas (fd) y punto medio (x).
Se entender por frecuencias o frecuencias simples (f), al nmero de elementos que

se localizan en una determinada clase, es decir, es la cuantificacin de los
elementos que caen en cada clase.
Se entender por frecuencias acumuladas (fa) a la suma sucesiva de frecuencias
partiendo de la primera (correspondiente a la primer clase).
Se entender por frecuencias desacumuladas (fd) a la resta sucesiva que se realiza
a partir de la suma total de frecuencias, de la frecuencia correspondiente a cada una
de las clases.
Punto medio (x) de una clase es el resultado de la siguiente operacin:
x=
Lmite Inferior de una Clase + Lmite Superior de lamisma Clase

2
Con un ejemplo vamos a ilustrar todo lo anterior:
Ingresos Familiares de Turistas

Ingreso Familiar
en miles de
dlares
Nm. de
Familias
Puntos
Medios
Frecuencias
Acumuladas
Frecuencias
Desacumuladas
(clases)
(f)
(x)
(fa)
(fd)
0a2
f1 = 3
24-3 = 21
3a5
f2 = 6
(f1+f2) = 3+6 = 9
21-6 = 15
6a8
f3 = 8
(f1+f2+f3)=3+6+8=17
15-8 = 7
9 a 11
f4 = 5
22
7-5 = 2
12 a 14
f5 = 2
( 0 + 2)
=1
2
(3 + 5)
=4
2
(6 + 8)
=7
2
(9 + 11)
= 10
2
(12 + 14)
= 13
2
24
2-2 = 0
Suma
24
OSCAR MAYO LEYTTE
13
Observamos entonces lo siguiente:

Existen cinco clases, que es el nmero mnimo recomendado; la amplitud de cada
intervalo (i) de las clases es uniforme, de dos, es decir, la resta en cada clase de:
Lmite Superior menos Lmite Inferior, da como resultado 2, en cada clase.
Las frecuencias simples o frecuencias (f), muestran cuantas familias se localizan en
cada clase, es decir, cuantas familias reciben ingresos en los rangos establecidos,
as vemos que tres familias reciben entre 0 y 2 miles de pesos (primer clase), 6
familias reciben entre 3 y 5 miles de pesos (segunda clase), etc.
Los puntos medios (x) de cada clase, son el resultado de la siguiente operacin:
x=
Lmite Inferior de una Clase + Lmite Superior de la misma Clase

2
As vemos que en la primer clase
x1 =
Li + Ls 0 + 2
=
=1
2
2
en la segunda clase tenemos:
x2 =
Li + Ls 3 + 5
=
=4
2
2
2.2 Frecuencias acumuladas y desacumuladas

Las frecuencias acumuladas, son ya se dijo antes, una suma sucesiva de
frecuencias a partir de la primera, entonces, partimos de la primer frecuencia simple,
en este caso 3; en la segunda se anotar la suma de: frecuencia de la primer clase
mas la frecuencia de la segunda clase, es decir, (f1+ f2) = (3 + 6) = 9. La frecuencia
acumulada de la tercer clase ser la suma de las frecuencias de la primera, segunda
y tercer clases, es decir, 3 + 6 + 8 = 17 y as sucesivamente. Otra forma de hacer
esta operacin, es considerar la frecuencia acumulada de la segunda clase (clase
anterior) mas la frecuencia de la clase correspondiente, en este caso la tercer clase,
es decir, 9 + 8 = 17 y as sucesivamente, hasta la frecuencia acumulada de la
ltima clase ser igual a la suma total de las frecuencias simples anteriores.
Las frecuencias desacumuladas (fd), corresponden a ir restando sucesivamente a
partir del total de las frecuencias simples, lo correspondiente a cada una de las
clases respectivas. En este caso la suma de frecuencias simples de la que se parte
es 24, entonces, para la primera clase la frecuencia desacumulada ser igual a:
OSCAR MAYO LEYTTE
14
f d 1 = ( Suma de Frecuencias Simples) ( Frecuencia Correspondiente)

fd1 = 24 - 3 = 21
Para la segunda clase:
f d 2 = ( Frecuencia Desacumulada Anterior ) ( Frecuencia Correspondiente)

fd2 = 21 - 6 = 15
Para la tercera clase:
f d 3 = ( Frecuencia Desacumulada Anterior ) ( Frecuencia Correspondiente)

fd3 = 15 - 8 = 7
En la ltima clase veremos que la frecuencia desacumulada ser cero, porque
habremos ido restando frecuencia a frecuencia a partir de su suma total, llegando a
restar por lo tanto la misma cantidad total al final.
En resumen, podemos decir que la distribucin de frecuencias es la
representacin estructurada, en forma de tabla y/o grfica, de toda la informacin
que se ha recogido sobre la variable que se estudia:
Variable
Frecuencias absolutas
Frecuencias relativas
(Valor)
Simple
Acumulada
Simple
Acumulada
X1
n1
n1
f1 = n1 / n
f1
X2
...
Xn
n2
...
nn
n1 + n2
...
n1 + n2 +..+ nn
f2 = n2 / n
...
fn = nn/ n
f1 + f2
...
f1 + f2 +..+fn
Siendo X los distintos valores que puede tomar la variable.

Siendo n el nmero de veces que se repite cada valor.
Siendo f el porcentaje que la repeticin de cada valor supone sobre el total
Las grficas que obtendremos se comentan en el siguiente apartado: Histogramas y

polgonos.
OSCAR MAYO LEYTTE
15
2.3 Histogramas y polgonos

Llamamos a la grfica de barras verticales histograma y a la unin de sus puntos
medios polgono de frecuencias
HISTOGRAMA Y POLIGONO DE FRECUENCIAS
INGRESOS FAMILIARES
Frecuencias
10
8
6
4
2
0
0a2
3a5
4a8
9 a 11
12 a 14
Clases
NOTA: Con las columnas de frecuencias se obtiene el polgono de

frecuencias, uniendo en lo alto los puntos medios de cada una.
POLGONO DE FRECUENCIAS
INGRESOS FAMILIARES
Frecuencias
10
8
6
4
2
0
0a2
3a5
4a8
9 a 11
12 a 14
Clases
De la informacin original, se obtienen los Polgonos de Frecuencias Acumuladas

(fa) y de Frecuencias Desacumuladas (fd) siendo los siguientes:
POLGONO DE FRECUENCIAS ACUMULADAS Y DESACUMULADAS
INGRESOS FAMILIARES
Frecuencias
30
20
10
Frecuencias
Acumuladas
0
0a2
3a5
Frecuencias
Desacumuladas
4a8
9 a 11
12 a 14
Clases
OSCAR MAYO LEYTTE
16
Las tres grficas respectivas se observaran como sigue:

Frecuencias
Acumuladas
Frecuencias
Desacumuladas
INGRESOS FAMILIARES
Frecuencias
Simples
Frecuencias
30
20
10
0
0a2
3a5
4a8
9 a 11
12 a 14
Clases
2.4 Frecuencias relativas

Son aquellas que se obtiene como el cociente de cada frecuencia individual respecto
a su suma total, esto es, dividir la frecuencia de una determinada clase (f) entre la
suma total de frecuencias (fr), en nuestro caso respectivamente tenemos:
3/24= 0.13
6/24= 0.25
8/24= 0.33
5/24= 0.21
2/24= 0.08
La suma de las frecuencias relativas individuales siempre dar como resultado 1

(uno) y se obtiene de ella tambin un polgono, como se ilustra a continuacin:
INGRESOS FAMILIARES DE TURISTAS
Ingreso
Familiar
en miles de $
Nm. de
Familias
Frecuencias
Relativas
Frecuencias Relativas
Acumuladas
Frecuencias
Relativas
Desacumuladas
(clases)
(f)
(fr)
(fra)
(frd)
0a2
3a5
6a8
9 a 11
12 a 14
f1 = 3
f2 = 6
f3 = 8
f4 = 5
f5 = 2
3/24 = 0.13
6/24 = 0.25
8/24 = 0.33
5/24 = 0.21
2/24 = 0.08
0.13
(fr1+fr2) = 0.13+0.25 = 0.38
(fr1+fr2+fr3)=0.13+0.25+0.33=0.71
0.92
1.00
1-0.13=0.87
0.87-0.25=0.62
0.62-0.33=0.29
0.29-0.21=0.08
0.08-0.08=0.00
Suma ()
= 24
= 1.00
OSCAR MAYO LEYTTE
17
POLGONO DE FRECUENCIAS RELATIVAS

Tambin de las frecuencias relativas se pueden construir un polgono de frecuencias
relativas acumuladas y otro para frecuencias relativas desacumuladas.
Las frecuencias relativas acumuladas, son una suma sucesiva de frecuencias, de
manera similar a como se explic antes, entonces, en la primer clase se coloca la
misma frecuencia relativa simple, en este caso 0.13; pero en la segunda se anotar
la suma de: frecuencia relativa de la primer clase mas la frecuencia relativa de la
segunda clase, es decir, (fr1+ fr2) = (0.13 + 0.25) = 0.38 La frecuencia acumulada de
la tercer clase ser la suma de las frecuencias de la primera, segunda y tercer
clases, es decir, 0.13 + 0.25 + 0.33 = 0.71 y as sucesivamente. Una operacin
equivalente, es considerar la frecuencia relativa acumulada de la segunda clase
(clase anterior) mas la frecuencia de la clase correspondiente, en este caso la tercer
clase, es decir, 0.38 + 0.33 = 0.71
y
as sucesivamente.
La frecuencia
acumulada de la ltima clase ser igual a la suma total de las frecuencias relativas
simples, es decir, uno, siempre esta suma ser uno.
Las frecuencias relativas desacumuladas (frd), se obtienen restando sucesivamente
a partir del total de frecuencias relativas simples, lo correspondiente a cada una de
las clases. En este caso la suma de frecuencias relativas simples (frd) de la que se
parte es 1 (uno), entonces, para la primera clase la frecuencia desacumulada ser
igual a:
f rd 1 = 1 ( Frecuencia Correspond iente )
frd1 = 1 0.13 = 0.87

f rd 2 = ( Frecuencia Desacumula da Anterior ) ( Frecuencia Correspond iente )
Para la segunda clase:
frd2 = 0.87 0.25 = 0.62
Para la tercer clase:
f rd 3 = ( Frecuencia Desacumula da Anterior ) ( Frecuencia Correspond iente )

frd3 = 0.62 0.33 = 0.29
En la ltima clase veremos que la frecuencia relativa desacumlulada ser cero,
porque habremos ido restando frecuencia a frecuencia a partir de su suma total,
llegando a restar por lo tanto la misma cantidad total al final.
OSCAR MAYO LEYTTE
18
El polgono de las frecuencias relativas es el siguiente:

INGRESOS FAMILIARES
Frecuencias
Relativas
0.4
0.3
0.2
0.1
0
0a2
3a5
6a8
9 a 11
12 a 14
Clases
Los polgonos resultantes de Frecuencias Relativas Acumuladas (fra) y Frecuencias

Relativas Desacumuladas (frd) son los siguientes:
POLGONO DE FRECUENCIAS RELATIVAS ACUMULADAS Y
DESACUMULADAS
Frecuencias
Relativas
Acumuladas
INGRESOS FAMILIARES
Frecuencias
Relativas
1
0.8
Frecuencias
Relativas
Desacumuladas
0.6
0.4
0.2
0
0a2
3a5
4a8
9 a 11
12 a 14
Clases
OSCAR MAYO LEYTTE
19
3 MEDIDAS DE TENDENCIA CENTRAL (PROMEDIOS)

Existen medidas estadsticas de posicin que nos muestran informacin (caractersticas) acerca de una
serie de datos.
Las medidas de posicin son de dos tipos: de posicin central (o de tendencia central) y de
posicin no central, nos ocuparemos nicamente de las primeras.
Medidas de tendencia central (promedios): informan sobre los valores medios de la serie de
datos. Las medidas de tendencia central que aqu analizaremos son:
a. Media Aritmtica
b. Media Ponderada
c.
Mediana
d. Moda
e. Media Geomtrica
f.
Media Armnica
Entre las medidas de posicin no central, se encuentran los cuartiles, centiles, etc.,
pero dichas medidas no son motivo de estudio en estos apuntes
La obtencin de varias de las medidas que estudiaremos, se contemplan en muchos
modelos de calculadoras, tambin existen programas de cmputo que permiten obtener
todas ellas, esto ser motivo de estudio en otro mdulo, aqu presentaremos de la
manera ms sencilla posible su determinacin manual, para comprender los
fundamentos y alcances de la estadstica descriptiva en el turismo.
3.1 Media Aritmtica (
METODO BASICO
Caso de datos No agrupados
Frmula:
X =
x1 + x 2 + x3 + ... + x n x
=
n
n
Donde :
x = valores individuales
n = numero de valores
OSCAR MAYO LEYTTE
20
Ejemplo:
Se dispone de datos correspondientes a gastos en paseos realizados por varios
turistas, en miles de pesos: 1, 4, 6, 8, 9, 26; de los cuales se desea obtener el
promedio aritmtico o media aritmtica ( X ).
X =
x
n
1 + 4 + 6 + 8 + 9 + 26
54
=
=9
6
6
Comprobacin del resultado
La Media Aritmtica ( X ) tiene dos muy importantes propiedades:

I
(x- X ) =
cero
II
(x- X )2 =
valor mnimo
Con la primera propiedad podemos probar si el clculo de la Media Aritmtica ( X )

est bien realizado, esto lo vemos al sumar las diferencias de cada valor individual
respecto de la Media Aritmtica, si la suma es cero, entonces se cumplir dicha
propiedad y en consecuencia es correcta la Media Aritmtica ( X ) que hayamos
determinado. Ejemplifiquemos con los valores anteriores, donde la media aritmtica
obtenida fue 9, auxilindonos con el siguiente cuadro:
Valores
(x)
Diferencias
(x- X )
1
4
6
8
9
26
1-9= -8
4-9= -5
6-9= -3
8-9= -1
9-9= 0
26-9= 17
=0
La suma considerando los signos, es decir, los positivos y los negativos, es cero,
entonces nuestra Media Aritmtica est correcta
OSCAR MAYO LEYTTE
21
La segunda propiedad, se refiere a que si utilizamos para las diferencias de cada valor,
la verdadera Media Aritmtica, dichas diferencias elevadas al cuadrado sern las
menores respecto a cualesquiera otro valor utilizado, diferente a dicha Media
Aritmtica. Esta comprobacin se deja al estudiante.
Caso de datos agrupados
Formula:
X=
x1 + x1 + x2 + x2 + x2 + x3 + x3 +...+ xn + xn + xn [(x1 + x1) +(x2 + x2 + x2 ) +(x3 + x3) +...+(xn + xn + xn )]

=
n
n
Sea "f" = frecuencias (el numero de repeticiones que tiene un valor) entonces:
X =
f1 x1 + f 2 x 2 + f 3 x3 + ... + f n x n
=
n
fx
i
fx
f
i
Como fi corresponde las veces que se repite un valor, su suma nos da n, por lo cual
n = fi
Ejemplo:
Se tiene la siguiente informacin ya tabulada:

(Miles de dlares)
Ingresos
Mensuales
(clases)
Nm. de
Familias
(f)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
Suma ()
n = fi = 21
OSCAR MAYO LEYTTE
22
Obtenemos los valores necesarios para determinar el valor de la Media Aritmtica

(Miles de dlares)
Ingresos
Mensuales
(clases)
Nm. de
Familias
(f)
Punto
Medio
(x)
( f x)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
1
3
5
7
9
2
12
40
42
9
Suma ()
n = fi = 21
fixi = 105
En el caso de datos agrupados debemos primeramente obtener el punto medio de

cada clase (x) como sigue:
x=
Lmite Inferior de la Clase + Lmite Superior de la misma Clase Li + Ls

=
2
2
De donde la Media Aritmtica ( X ) resultante es:
X =
fx
f
i
105
=5
21
Podremos comprobar aqu tambin los clculos realizados. En el caso de datos

agrupados, se obtienen las diferencias de cada punto medio (x) con relacin a la Media
Aritmtica ( X ) resultante y luego cada una de esas diferencias se multiplica por su
correspondiente frecuencia (f), para finalmente obtener su suma, si sta ltima suma es
cero, se estar cumpliendo la primer propiedad, de las dos que podemos reescribir
para datos agrupados como sigue:
f(x- X ) = cero
II
f(x- X )2 = valor mnimo, respecto a cualquier otro valor diferente al

obtenido por la frmula de la Media Aritmtica
OSCAR MAYO LEYTTE
23
A continuacin mostramos la comprobacin para nuestro ejercicio:

(Miles de dlares)
Ingresos
Mensuales
(clases)
Nm. de
Familias
(f)
Punto
Medio
(x)
(x- X )
f(x- X )
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
1
3
5
7
9
1-5= -4
3-5= -2
5-5= 0
7-5= 2
9-5= 4
2*(-4)= -8
4*(-2)= -8
8*(0)= 0
6*(2)= 12
1*(4)= 4
Suma ()
n = fi = 21
=0
Como la suma en la ltima columna es cero, ello significa que la Media Aritmtica es
correcta.
MTODO ABREVIADO PARA OBTENER LA MEDIA ARITMTICA ( X )

Este mtodo consiste en considerar una Media Aritmtica Arbitraria (A), para realizar
las operaciones planteadas en la formula correspondiente a ste mtodo, lo cual nos
permitir llegar a los mismos resultados anteriormente obtenidos, tanto para el caso de
datos No agrupados como para datos agrupados.

Formula:
X = A+
( x A)
n
donde:
A = Media supuesta o arbitraria (puede ser cualesquier nm. positivo)
x = Valores individuales
(x - A) = Diferencias de cada valor respecto de la
Media arbitraria
n = Numero de valores individuales
OSCAR MAYO LEYTTE
24
Ejemplo: Con los mismos datos utilizados en nuestro ejercicio anterior de Media
Aritmtica para datos No agrupados los cuales son: 1, 4, 6, 8, 9, 26;
determinar el valor de la Media Aritmtica.
Procedimiento:
1. Considrese algn valor arbitrario como el valor de (A) la Media Arbitraria o
Supuesta, por ejemplo A = 25 (puede ser cualesquiera otro valor incluso el
cero 0, haga usted otras pruebas)
2. Se elabora una tabla con los datos individuales en forma creciente y se procede
a obtener en una columna las diferencias (x-A).
Valores
(x)
Diferencias
(x-A)
1
4
6
8
9
26
1-25= -24
4-25= -21
6-25= -19
8-25= -17
9-25= -16
26-25= 1
= -96
3. Se obtiene la suma de las diferencias y se sustituyen los datos en la formula.
X = A+
(x A) = 25 + 96 = 25 16 = 9
n
Observemos que este resultado es el mismo que obtuvimos empleando el

Mtodo Bsico.
Si ahora consideramos como A = 42 tendremos lo siguiente:
Valores
(x)
Diferencias
(x-A)
1
4
6
8
9
26
1-42= -41
4-42= -38
6-42= -36
8-42= -34
9-42= -33
26-42= -16
= -198
OSCAR MAYO LEYTTE
25
X = A+
(x A) = 42 + 198 = 42 33 = 9
n
Este resultado fue nuevamente igual a los anteriores, lo cual permite apreciar
que esta formula tambin determina el valor real de la Media Aritmtica, an
cuando es ms tedioso, de hecho es la frmula origina de la Media Aritmtica,
como veremos a continuacin.
El Mtodo Bsico es un caso especial de la Media Arbitraria o Supuesta, cuando

consideramos como valor arbitrario al cero, es decir A = 0, resultando lo siguiente:
Valores
(x)
Diferencias
(x-A)
1
4
6
8
9
26
1-0= 1
4-0= 4
6-0= 6
8-0= 8
9-0= 9
26-0= 26
= 54
Matemticamente al sustituir el cero en la frmula de la Media Abreviada, llegamos a la

frmula del Mtodo Bsico:
X = A+
(x A) = 0 + (x + 0) = x = 54 = 9
n

Formula:
X = A+
f ( x A)
f
Donde:
A = Media arbitraria (puede ser cualquier valor positivo)
(x - A) = diferencias
f = suma de frecuencias
f = frecuencias
OSCAR MAYO LEYTTE
26
Procedimiento:
1. Se elabora una tabla con clases y frecuencias
2. Se elige una media arbitrariamente (A), por ejemplo A = 4
3. Se obtienen en una columna las diferencias (x-A) y en otra siguiente, la
multiplicacin de las frecuencias con sus diferencias respectivas f(x-A)
Resultados:
(Miles de dlares)
Ingresos
Mensuales en
miles de dlares
(clases)
Nm. de
Familias
Punto
Medio
(f)
(x)
(x-A)
f(x-A)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
1
3
5
7
9
1-4= -3
3-4= -1
5-4= 1
7-4= 3
9-4= 5
2*(-3)= -6
4*(-1)= -4
8*(1)= 8
6*(3)= 18
1*(5)= 5
Suma ()
n = fi = 21
= 21
4. Se obtiene la suma de las frecuencias (f) y la suma de las frecuencias por las
diferencias f(x-A)
5. Se sustituyen los valores en la frmula (ecuacin):
X = A+
f (x A) = 4 + 21 = 4 + 1 = 5
21
f
Este resultado es idntico al que se obtuvo empleando el Mtodo Bsico para datos
agrupados. Nuevamente observamos que el Mtodo Bsico es el caso especial en
donde se considera A = 0 como el valor de la Media Arbitraria o Supuesta, resultando
con ello lo siguiente:
OSCAR MAYO LEYTTE
27

(Miles de dlares)
Ingresos
Mensuales en
miles de $
(clases)
Nm. de
Familias
Punto
Medio
(f)
(x)
(x-A)
f(x-A)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de
10
2
4
8
6
1
1
3
5
7
9
1-0= 1
3-0= 3
5-0= 5
7-0= 7
9-0= 9
2*(1)= 2
4*(3)= 12
8*(5)= 40
6*(7)= 42
1*(9)= 9
Suma ()
n=fi = 21
= 105
Sustituyendo los resultados en la frmula (ecuacin), tenemos:
X = A+
f (x A) = 0 + f (x + 0) = fx = 105 = 5
f
f
f 21
3.2 MEDIA PONDERADA (Xw)

La Media Ponderada (Xw) se aplica nicamente a series de datos no agrupados porque
cada valor tiene una ponderacin, es decir, un grado de importancia cuantitativo.
Frmula
XW =
xw
w
Suma de las multiplica ciones de cada valor por su ponderaci

Suma de las ponderacio nes
n respectiva
Donde:
x = valores individuales.
w = Ponderacin de cada valor
w = Suma de Ponderaciones.
xw = Suma de multiplicaciones de cada valor por su ponderacin
respectiva
OSCAR MAYO LEYTTE
28
Procedimiento:
1. Se ordenan los valores en una tabla o cuadro estadstico incluyendo la
ponderacin que corresponde a cada valor, como en el siguiente ejemplo:
HORAS Y DIAS TRABAJADOS DE EMPLEADOS EN UN HOTEL
Empleado
Horas
trabajadas por
da
(x)
Nm. de das
trabajados
(w)
(x.w)
8
6
4
5
7
6
20
24
21
19
23
22
160
144
84
95
161
132
= 129
= 776
A
B
C
D
E
F
2. Se sustituyen en la frmula los valores obtenidos en la tabla:
XW =
xw = 776 = 6.02
w 129
Este resultado representa el promedio de horas diarias trabajadas por

los empleados.
3.3 MEDIANA (Md)

Se considera como mediana al valor central de una serie de datos, siempre que esa
serie este ordenada en forma creciente:
OSCAR MAYO LEYTTE
29
Algunos autores establecen la siguiente frmula:
n +1
2
que localiza el elemento
correspondiente a la mediana en una serie de datos, otros autores consideran que la

frmula a debe ser:
n
, en nuestro caso dejamos la opcin a criterio del estudiante.
2
Procedimiento:
1. Se ordena en forma creciente la serie de datos de donde queremos determinar el
valor de la Mediana (Md); como ejemplo consideremos los siguientes:1, 4, 6, 8, 9
2. Se localiza el o los elementos centrales de la serie ordenada. Si el nmero de
valores es par, se consideraran los dos valores centrales, porque entre ellos se
localiza (Md), luego se sumarn y dividirn entre dos, para determinar as el valor
de la Mediana
En nuestro ejemplo de datos no agrupados, hay cinco valores, por lo que el valor
central, es decir, el 6 = Md ilustremos esto de la siguiente manera.
Valores
1
4
6
8
9
Valor Central de la Serie Md = 6
Si el nmero de valores fuera par entonces se obtiene los dos elementos centrales
de la serie ordenada, se suman sus valores y se dividen entre dos, ese ser el
valor de la Mediana (Md). Para ilustrar este caso consideremos los valores de
ejemplos pasados, es decir, los siguientes: 1, 4, 6, 8, 9, 26
Valores
1
4
6
8
9
26
Valores Centrales de la Serie
Md =
6 + 8 14
=
=7
2
2
OSCAR MAYO LEYTTE
30

Formula
n +1
c
(i )
M d = Liv + 2
f
Donde:
Liv = Limite inferior verdadero de la clase donde se localiza la
Mediana (Md).
n = nmero de valores considerados = f
f = frecuencia de la clase donde se localiza la Mediana.
i = tamao o amplitud de la clase donde se localiza la (Md).
c = frecuencia acumulada justamente una clase antes de aquella donde
se localiza la Md.
Los requerimientos de la frmula anterior, nos implican saber como determinar los
lmites inferiores y superiores verdaderos de una clase, as que vamos primeramente a
estudiar su clculo
Limites establecidos y limites verdaderos de clases

Algunas veces entre el limite superior de una clase y el limite inferior de la clase
siguiente, existen blancos (diferencias), esto es, queda un margen o hueco
cuantitativo, por lo que no se podra determinar fcilmente en que clase caeran
algunos valores, como en el siguiente caso:
LIMITES ESTABLECIDOS Y LIMITES VERDADEROS DE CLASES
Ingreso Familiar
Mensual en miles
de dlares
clases
(clases)
Lmite
Lmite
inferior
superior
0
11
Lmite inferior
verdadero
Lmite superior
verdadero
Lsa + Li 0 + 0
=
=0
2
2
Lsv =
Ls + Lis 3 + 4
=
= 3.5
2
2
Liv =
Lsa + Li 3 + 4
=
= 3.5
2
2
Lsv =
Ls + Lis 7 + 8
=
= 7.5
2
2
Liv =
Lsa + Li 7 + 8
=
= 7.5
2
2
Liv =
Lsv =
Ls + Lis 11 + 12
=
= 11.5
2
2
En el cuadro anterior observamos que originalmente se han establecido clases

con Limites inferiores y superiores, pero quedan "blancos" (huecos numricos)
entre el 3 y el 4 por ejemplo, podra presentarse el caso de tener un elemento
OSCAR MAYO LEYTTE
31
con valor de 3.4, en que clase lo colocaramos?, en la primera o en la

segunda?, esto se resuelve al determinar los "Limites inferiores y superiores
verdaderos" (Liv, Lsv) aun cuando estos visualmente no aparezcan en la tabla;
sabremos que la forma de obtenerlos es la siguiente.
Liv =
L sv =
Lmite sup erior de la clase anterior + Lmite inf erior de clase Lsa + Li
=
2
2
Lmite sup erior de clase + Lmite inf erior de la clase siguiente L s + Lis
=
2
2
Por ejemplo para la primer clase tendramos:

Lmite inferior verdadero
Liv =
Lsa + Li 0 + 0
=
=0
2
2
Asumimos que la clase anterior es cero porque no tendra sentido considerar

nmeros negativos
Lsv =
Ls + Lis 3 + 4
=
= 3.5
2
2
Liv =
Lsa + Li 3 + 4
=
= 3 .5
2
2
Lmite superior verdadero
Lsv =
Ls + Lis 7 + 8
=
= 7 .5
2
2
Liv =
Lsa + Li 7 + 8
=
= 7 .5
2
2
Lsv =
Ls + Lis 11 + 12
=
= 11.5
2
2
Para la segunda clase tendramos:
Para la tercera clase tendramos:
OSCAR MAYO LEYTTE
32
Asumimos que el Lmite inferior de la clase siguiente, si la hubiere, sera 12, por
la secuencia numrica visible, sin embargo, en otros casos quiz no sea tan
sencillo definir el valor del Lmite inferior de la clase siguiente, pero tendremos
que arriesgarnos a considerar alguno.
An con los lmites verdaderos obtenidos para el ejemplo, seguiramos teniendo

algunos problemas, si tuvisemos un valor de 3.5 o 7.5 A que clase correspondera?,
lo mejor ser definir con mayor precisin los lmites de cada clase, como en el caso
siguiente que no dejara lugar a dudas de donde ira algn valor:
Ingresos
Mensuales
(clases)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
etc.
Tome muy en cuenta esta recomendacin, porque se ahorrar muchos problemas o

cuestionamientos que le hagan quienes al analizar su trabajo, vean inconsistencias.
Volvamos ahora al caso de datos agrupados para determinar el valor de la Mediana

(Md) que habamos dejado pendiente momentneamente.
Procedimiento para determinar la Mediana (Md)

1. Elaborar una tabla que contenga clases, frecuencias, frecuencias
acumuladas y Limites verdaderos de las clases (Liv). Utilizando los datos del
ejemplo que hemos venido analizando, tendremos:
OSCAR MAYO LEYTTE
33

(Miles de dlares)
Ingresos
Mensuales en
miles de $
(clases)
Nm. de
Familias
frecuencias
acumuladas
Punto
Medio
(f)
(fa)
(x)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
2
6
14
20
21
1
3
5
7
9
Suma ()
n=fi = 21
2. Se obtienen los puntos medios de cada clase (x), en la ltima columna.
3. Se determina el elemento central de la serie y se localiza la clase que

contiene a ese elemento central, como sigue:
Determinacin del elemento central de la serie:
Elemento Central =
( f ) + 1 21 + 1 22
=
=
= 11
2
Como vemos, se obtiene la suma de las frecuencias (f), a esta se le

agrega uno y se divide todo por 2.
Localizacin de la clase que contiene al elemento central de la serie

Esto se hace observando la columna de frecuencias acumuladas de
nuestra tabla, para ubicar en que clase cae el elemento 11, como
vemos se localiza en la clase: "4 y menos de 6" porque hasta la clase
anterior a esta, haban 6 elementos acumulados y en la siguiente los
elementos acumulados seran 20 (entre ellos esta el once).
Se recomienda encerrar en una franja la clase que contenga dicho
elemento central y en consecuencia el valor de la Mediana (Md) para
facilitar la identificacin de los valores que requiere la frmula
OSCAR MAYO LEYTTE
34
4. Se determina el valor de la Mediana (Md) empleando la formula respectiva.

Primeramente determinamos los valores necesarios:
Liv = Limite inferior verdadero de la clase donde se localiza la Mediana
L + Li 4 + 4
Liv = sa
=
=4
2
2
n = nmero de valores considerados = f = 21
f = frecuencia de la clase donde se localiza la Mediana = 8
i = tamao o amplitud de la clase donde se localiza la Mediana
i = (lmite superior) - (lmite inferior en la misma clase) = 6-4 = 2
c = frecuencia acumulada justamente una clase antes de aquella donde

se localiza la Mediana = 6
Valor de la Mediana (Md)
n +1
21 + 1
c
6
11 6
M d = Liv + 2
(2) = 4 + 1.25 = 5.25
(i ) = 4 + 2
(2) = 4 +
f
8
8
Principales caractersticas de la Mediana (Md)
I. Es un promedio (medida de posicin). No es afectada por valores externos como
la Media, puesto que la Mediana no es calculada con todos los valores de una
serie de datos
II. La Mediana no est definida algebraicamente como la Media Aritmtica
III. La Mediana, en algunos casos, no puede ser calculada exactamente como s
puede serlo la Media Aritmtica
IV. Si es posible la localizacin del elemento central y los lmites de la clase mediana
pueden ser conocidos, la mediana para una distribucin de frecuencias con
intervalos de clase de igual o diferente amplitud o intervalos abiertos siempre
pueden determinarse mediante mtodos de interpolacin
V. La Mediana est centralmente localizada. Esto significa que la suma de los
valores absolutos (sin considerar los signos positivo y negativo) de las
desviaciones de los valores individuales con respecto a la mediana es mnima.
En otras palabras, la suma de los valores absolutos de las desviaciones (o la
suma de las distancias) de los valores individuales de un valor distinto al de la
mediana exceder (o cuando menos es igual) a la suma de los valores absolutos
de las desviaciones respecto a la mediana.
OSCAR MAYO LEYTTE
35
3.4 MODA (Mo).

En general, la Moda es el valor que se repite con ms frecuencia en una serie de datos
Caso de Datos No agrupados

Para datos No agrupados, no existe ninguna frmula, se determina visualmente, al
localizar al valor que ms se repita en la serie, pero se admite que puede haber ms de
un valor con altas repeticiones o incluso ningn valor, por lo cual se pueden dar las
siguientes posibilidades:
a. No observar ningn valor modal. Ejemplo: Valores:1, 3, 5, 7,9, 11, 12. No existe
moda, porque ningn valor se repite.
b. Observar un solo valor modal. Ejemplo: Valores 1, 2, 3, 4, 5, 6, 3, 7, 3. El nico
valor modal, es decir, el nico valor que se repite, es 3.
c. Observar mas de un valor modal. Ejemplo: Valores: 1, 3, 5, 5, 6, 7, 8, 8, 9, 9, 9, 9,
11, 12. Encontramos en este caso tres valores que se repiten, es decir, tres
valores modales: 5, 8, 9; esto es admisible. Deber considerarse, sin embargo,
que se busca determinar el valor con mayor nmero de repeticiones, en este caso
sera el 9.
Caso de Datos agrupados

Aqu se determinar un solo valor modal
Frmula
M o = Liv +
d1
(i)
d1 + d 2
Donde:
Liv =
di =
Fm =
c=
fi =
d2 =
f2=
i=
Lmite inferior verdadero de la clase que contenga la ms alta

frecuencia
diferencia entre Fm - fi
frecuencia ms alta encontrada en las clases que contiene la tabla
frecuencia modal
frecuencia anterior a la frecuencia modal
Fm-f2
frecuencia de la clase siguiente a donde se localiza la frecuencia modal
Tamao o amplitud del intervalo de la clase modal, esto es, de la clase
donde se localiza la frecuencia mas alta.
OSCAR MAYO LEYTTE
36
Considerando los valores del ejemplo que hemos venido utilizando, auxilindonos
nuevamente de una tabla, tendremos:
(Miles de dlares)
Ingresos
Mensuales en
miles de $
(clases)
Nm. de
Familias
Punto
Medio
(f)
(x)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
1
3
5
7
9
Suma ()
fi = 21
Procedimiento:
1. Localizacin de la clase que contiene la frecuencia ms alta
La apreciacin es visual, observando que la frecuencia ms alta corresponde a
la clase 4 y menos de 6, misma que encerramos con una franja
2. Se obtienen los valores requeridos en la frmula:

Liv = Lmite inferior verdadero de la clase que contenga la ms alta
frecuencia
L + Li 4 + 4
Liv = sa
=
=4
2
2
d1 = diferencia entre Fm f1 = 8-4 = 4
Fm = frecuencia ms alta encontrada en las clases que contiene
la tabla = 8
f1 = frecuencia anterior a la frecuencia modal = 4
d2 = Fm-f2 = 8-6 = 2
f2= frecuencia de la clase siguiente a donde se localiza la
frecuencia modal = 6
OSCAR MAYO LEYTTE
37
i = Tamao o amplitud del intervalo de la clase modal, esto es, donde se

localiza la frecuencia mas alta: = (Lmite superior de la clase modal)
menos (Lmite inferior de la misma clase modal) = 6 4 = 2
3. Sustituyendo en la frmula tendremos:
M o = Liv +
d1
8
4
(2) = 4 + = 5.33
(i ) = 4 +
d1 + d 2
6
4+2
El valor modal es 5.33 para estos datos
Caractersticas de la Moda (Mo)

I. La Moda es el valor con la ms alta frecuencia en el conjunto de valores.
Representa ms elementos que cualquier otro valor pueda representar en
conjunto. La Moda no se calcula incluyendo todos los valores y no est
definida algebraicamente como lo est la Media Aritmtica
II. La Moda, por definicin, no est afectada por valores extremos, es decir, no se
ve influida por la existencia de algn valor muy pequeo o de algn valor muy
grande
III. La Moda de un conjunto de datos discretos es fcil de calcular. Sin embargo, la
verdadera moda de un conjunto de datos continuos, estrictamente hablando,
nunca podr existir
IV. La Moda, para una distribucin de frecuencias, no puede ser calculada
exactamente, como s puede serlo la Media Aritmtica
V. El valor de la Moda puede ser afectado grandemente por el mtodo de
designacin de los intervalos de clase. Tmelo muy en cuenta, porque aqu si
se puede manipular hacia donde pudiramos desear que vaya el resultado.
3.5 SIMETRIAS Y ASIMETRIAS DE UNA SERIE DE DATOS

La distribucin de una serie de datos pueden presentar
1. Simetra
2. Asimtrica izquierda
3. Asimtrica derecha
1. Presentar Simetra si observamos que los valores de la Media Aritmtica,
la Mediana y la Moda son iguales, esto es, si: X = Md = Mo,
OSCAR MAYO LEYTTE
38
Grficamente:
Escala de las Y
X = Md = Mo
Escala de las X
2. Una distribucin tendr Asimetra izquierda o hacia la izquierda cuando

encontremos que la ubicacin de los valores y en consecuencia la forma de
la distribucin sea de la siguiente manera:
Grficamente:
Escala de las Y
Escala de las X
Md Mo
Observamos que el valor que se encuentra en la ms alta frecuencia es

la Moda, a su izquierda se encontrar la Mediana (con un valor menor)
y a la izquierda estar la Media Aritmtica (con un valor todava ms
pequeo que la Moda).
3. Una distribucin tendr Asimetra derecha o hacia la derecha cuando

encontremos que la ubicacin de los valores y en consecuencia la forma de
la distribucin sea de la siguiente manera:
OSCAR MAYO LEYTTE
39
Grficamente:
Escala de las Y
Escala de las X
Mo Md X
Observamos que el valor que se encuentra en la ms alta frecuencia es la
Moda, a su derecha se encontrar la Mediana (con un valor ms grande) y ms
a la derecha estar la Media Aritmtica (con un valor ms grande an).
Comparacin de nuestros resultados en los casos No agrupados

Observando los valores que hemos determinado en nuestros ejemplos para la serie de
datos no agrupados, tenemos:
Media Aritmtica ( X ) = 9
Mediana (Md) = 7
Moda (Mo) = No existe
En consecuencia vemos que existe asimetra hacia la derecha, debido al mayor valor
que tiene la Media Aritmtica respecto de la Mediana, an cuando en estos ejemplos
no existe la Moda, es decir, no existe ningn valor que se repita.
Comparacin de resultados de los datos agrupados

Observando los valores que hemos determinado en nuestros ejemplos para la serie de
datos agrupados, tenemos:
Media Aritmtica ( X ) = 5
Mediana (Md) = 5.25
Moda (Mo) = 5.33
Vemos que tiene una ligera Asimetra hacia la izquierda esta distribucin
OSCAR MAYO LEYTTE
40
3.6 MEDIA GEOMETRICA (G)

Es la raz ensima del producto de los n valores considerados, estn o no agrupados.

Frmula:
G = n producto de los n valores = n x1 .x 2 .x3 ......x n

Ejemplo:
Consideremos dos datos que hemos venido utilizando, referentes a gastos en paseos
de turistas en miles de pesos: 1, 4, 6, 8, 9, 26; de los cuales se desea obtener el
promedio geomtrico (G)
Actualmente, con las calculadoras y computadoras, podemos obtener directamente
este promedio. En caso de no tener disponibles estos elementos, deberemos
transformar en su expresin logartmica la frmula anterior (Ver Anexo A).
Calculo directo:
G = 6 (1)(4)(6)(8)(9)(26) = 6 44928 = 5.96
Clculo empleando logaritmos

Los logaritmos pueden obtenerse por calculadora o computadora (en
programas como Excel), pero tambin existen tablas que aparecen en los
anexos de muchos libros de estadstica y de matemticas.
Transformando la frmula original a su expresin logartmica, tendremos:

1
logx1 + logx2 + logx3 + .....+ logxn
G = Antilogde logG = log(x1.x2 x3......xn ) = Antilogde [logG =

n
n
] = Atilogde [logG =
Para obtener los valores logartmicos requeridos por la frmula transformada, nos
auxiliamos de la siguiente tabla:
OSCAR MAYO LEYTTE
41
log x
n
Valores x
1
4
6
8
9
26
Total
log x
0.000000
0.602060
0.778151
0.903090
0.954243
1.414973
4.652517
Sustituyendo en la frmula transformada tendremos:
G = Ati log de [log G =
log x ] = Antilog de [log de G = 4.652517 ] = Antilog de [ 0.7754195 ] = 5.96

n

Frmula:
G = n producto de los n valores = n ( x1 .x1 ....x1 )( x 2 .x 2 ....x 2 ).......( x n .x n ....x n )

La frmula es igual que para datos No agrupados en esencia, cambia en su frmula
transformada para resolverse empleando logaritmos, para lo cual queda como sigue:
G = Antilog de {log G =
f1 logx1 + f2 logx2 + f3 logx3 + .....+ fn logxn

n
(f
} = Atilog de {logG =
log x
Consideremos el ejemplo que hemos venido utilizando para datos agrupados:
OSCAR MAYO LEYTTE
42

(Miles de dlares)
Ingresos
Mensuales en
miles de $
(clases)
Nm. de
Familias
Punto
Medio
(f)
(x)
log x
f.(log x)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
1
3
5
7
9
0.000000
0.477121
0.698970
0.845098
0.954243
0.000000
1.908485
5.591760
5.070588
0.954243
Suma ()
n = fi = 21
= 13.525076
Sustituyendo los resultados en la frmula (ecuacin), tendremos:

G = Atilog de {logG =
( f log x ) } = Antilog de logG = 13.525076
21
) = 4.41
= Antilog de (0.644051
As, hemos determinado que 4.41 es el promedio geomtrico de los ingresos

mensuales de las familias de turistas analizados.
Propiedades de la Media Geomtrica (G)

I. La Media Geomtrica es afectada por valores extremos en menor medida que
la Media Aritmtica
II. La Media Geomtrica equilibra las razones de los valores individuales, es decir,
el producto de las razones con respecto a la Media Geomtrica de los valores
inferiores a la misma, es igual al producto de las razones de la Media
Geomtrica con respecto a los valores superiores a la misma
III. La Media Geomtrica da igual ponderacin a las razones de cambio iguales.
IV. La Media Geomtrica de las razones de los valores individuales con respecto a
cada valor precedente inmediato en una secuencia de valores es el nico
promedio apropiado para las razones.
3.7 MEDIA ARMONICA (H)

Es el reciproco de la Media Aritmtica de los recprocos de los valores
OSCAR MAYO LEYTTE
43
Frmula
n
1
1
1
1
+
+ + ....... +
x1 x 2 x3
xn
n
1
x
Donde:
x = valores individuales
n = nmero de valores
1/x = recproco del valor x
Ejemplo.
Considrense los valores que hemos venido utilizando en el caso de datos No

agrupados, es decir: 1, 4, 6, 8, 9, 26
Auxilindonos de una tabla tendremos lo siguiente:
Valores x
1
4
6
8
9
26
Total
1
x
1
= 1 .0000
1
1
= 0.2500
4
1
= 0.16667
6
1
= 0.1250
8
1
= 0.1111
9
1
= 0.0385
26
1.6913
OSCAR MAYO LEYTTE
44
H=
n
6
=
= 3.54
1 1.693
x
La Media Aritmtica ser siempre ms grande que la Media Geomtrica y ambas sern
mayores que la Media Armnica, es decir, H G X
Esto se debe a que la Media Geomtrica se ve menos influida por valores extremos
(muy grandes o muy pequeos). La Media Armnica se ve todava menos influida por
dichos valores extremos, por lo que resulta an ms pequea.
Observemos los resultados en el ejemplo de datos No agrupados que hemos venido
analizando:
H=3.54 G=5.96 X =9
Vemos claramente las importantes diferencias que existen entre estas medidas.

Frmula
=
f1
1
1
1
1
+ f2
+ f3
+ ....... + f n
x1
x2
x3
xn
n
1
f
x
f
f
x
Calculando para nuestro ejemplo de Datos Agrupados tendremos:
OSCAR MAYO LEYTTE
45
INGRESOS FAMILIARES DE TURISAS

(Miles de dlares)
Ingresos
Mensuales en
miles de $
(clases)
Nm. de
Familias
Punto
Medio
(f)
(x)
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
1
3
5
7
9
Suma ()
n = fi = 21
f
x
2.000000
1.333333
1.600000
0.857143
0.111111
= 5.901587
Sustituyendo los resultados en la frmula (ecuacin), tenemos:
H=
f = 21 = 3.6
f 5.901587
x
Ntese que aqu tambin la Media Aritmtica ser ms grande que la Media
Geomtrica y ambas sern mayores que la Media Armnica, es decir, H G X ,
por lo anteriormente mencionado, es decir, porque la Media Geomtrica se ve menos
influida por valores extremos, en tanto que la Media Armnica se ve todava menos
influida, por lo que resulta an ms pequea que ambas.
Observemos los resultados para los valores que hemos estado utilizando en los
ejemplos de datos No agrupados:
H=3.6 G=4.4 X =5
Podemos ver que existen diferencias que son tambin importantes.
Propiedades de la Media Armnica (H)

I. La Media Armnica es menos afectada por valores extremos respecto de la
Media Geomtrica y de la Media Aritmtica
II. La Media Armnica no es tan frecuentemente usada como un promedio de un
conjunto de valores como lo es la Media Aritmtica, sin embargo, es muy til en
casos especiales para promediar razones
OSCAR MAYO LEYTTE
46
4. MEDIDAS DE VARIACION o DISPERSION

Las medidas de variacin o dispersin analizan si los valores de una serie de
datos se encuentran ms o menos concentrados, as como tambin si se
encuentran ms o menos dispersos en torno a un promedio.
Existen diversas medidas de dispersin, entre las ms utilizadas podemos
destacar las siguientes:
A.
B.
C.
D.
Rango o Recorrido
Desviacin Media
Desviacin Estndar y Varianza
Coeficiente de Variacin
Existen diversas medidas de forma, entre las ms utilizadas podemos destacar

las siguientes:
a) Asimetra
b) Kurtosis
Existen algunas medidas de concentracin, como el Indice de Gini, pero no son motivo
de estudio en estos apuntes
4.1 RANGO o RECORRIDO

No requiere de agrupar los datos.
Frmula:
Rn = x A x B = ( valor ms alto de la serie ) ( valor ms bajo de la serie )

Donde
xA = valor ms alto de la serie
XB = valor ms bajo de la serie
Por ejemplo si tenemos los siguientes valores que hemos venido utilizando para el
caso de Datos No Agrupados: {1,4,6,8,9,26}, el Rango o Recorrido de la serie es:
Rn = x A x B = 26 1 = 25
OSCAR MAYO LEYTTE
47
4.2 DESVIACION MEDIA (DM)

Caso de datos no agrupados
Frmula:
DM =
x X
n
Donde:
x
= valores individuales
X = Media Aritmtica
n = nmero de valores de la serie
x X = diferencia de cada valor respecto a la Media Aritmtica en valores
absolutos, es decir, sin tomar en cuenta el signo negativo
El considerar la diferencia de cada valor respecto de la Media Aritmtica en valor

absoluto, significa que no tomaremos en cuenta el signo negativo, es decir, no habr
nunca valores negativos, por lo cual, la Desviacin Media (DM) siempre ser positiva.
Procedimiento:
1. Auxiliarse de una tabla para obtener los valores requeridos por la frmula
2. Determinar la Media Aritmtica de los valores considerados
3. Obtener las diferencias de cada valor respecto a la Media Aritmtica en valor
absoluto, es decir, sin considerar el signo, por lo cual sern todas positivas
4. Sumar las diferencias absolutas de cada valor respecto a la Media Aritmtica
5. Sustituir los valores en la frmula y determinar el valor de la Desviacin Media
(DM)
Ejemplo. Considrense los valores que hemos venido utilizando para el ejemplo de
Datos No Agrupados, es decir: 1, 4, 6, 8, 9, 26
OSCAR MAYO LEYTTE
48
CALCULO DE LA DESVIACION MEDIA (DM)

Valores
(x)
Diferencias
1
4
6
8
9
26
1-9= 8
4-9= 5
6-9= 3
8-9= 1
9-9= 0
26-9= 17
x X
= 34
La Media Aritmtica de los valores es entonces:
X =
1 + 4 + 6 + 8 + 9 + 26
54
=
=9
6
6
Desviacin Media:
DM =
x X
n
34
= 5.7
6
El resultado indica que la Desviacin Media en torno a la Media Aritmtica es de 5.7

para esta serie de datos

Frmula:
DM =
f x X
n
f x X
f
Donde.
x
X
f
n
= Media Aritmtica
= frecuencia de valores
=
f = nmero de valores de la serie
x X = diferencia de cada valor respecto a la Media Aritmtica en valores

absolutos, es decir, sin considerar los signos negativos
OSCAR MAYO LEYTTE
49
Procedimiento:
7. Determinar la Media Aritmtica de los datos considerados
8. Obtener las diferencias de cada punto medio respecto a la Media Aritmtica en
valor absoluto, es decir, sin considerar el signo negativo, por lo cual sern todas
positivas
9. Multiplicar las diferencias por su correspondiente frecuencia en cada clase
10. Sumar los resultados anteriores
11. Sustituir los valores en la frmula y determinar el valor de la Desviacin Media
(DM)
Ejemplo: Considrense los valores que hemos utilizado anteriormente para el caso de
datos agrupados, es decir, los siguientes:
(Miles de dlares)
Ingresos
Mensuales en
miles de $
(clases)
Nm. de
Familias
Punto
Medio
(f)
(x)
(fx)
x X
f xX
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
1
3
5
7
9
2
12
40
42
9
1-5= 4
3-5= 2
5-5= 0
7-5= 2
9-5= 4
2*4= 8
4*2= 8
8*0= 0
6*2= 12
1*4= 4
Suma ()
n=fi = 21
Media Aritmtica:
X =
=105
fx
f
i
= 32
105
=5
21
Desviacin Media:
DM =
f x X
n
f xX
f
32
= 1.52
21
El resultado nos indica el valor de la Desviacin Media en torno al promedio, en este

caso, la Media Aritmtica, es de 1.52.
OSCAR MAYO LEYTTE
50
4.3 DESVIACION ESTNDAR (s) Y VARIANZA (s2)

La Desviacin Estndar es la forma refinada de la Desviacin Media, se calcula de
la misma manera, excepto que no en valores absolutos, es decir, aqu si habr de
considerarse los signos de las diferencias de cada valor respecto de la Media
Aritmtica.
Frmula:
(x X )
=
Varianza (s ).
(x X )
Desviacin Estndar (s)
s=
= s2
Donde.
x
n
(x X )
= nmero de valores considerados
= diferencia de cada valor respecto a la Media
Aritmtica
Procedimiento:
2. Determinar la Media Aritmtica de los datos
3. Obtener la diferencia de cada valor con respecto a la Media Aritmtica
4. Elevar al cuadrado cada diferencia
5. Obtener la suma de las diferencias elevadas al cuadrado
6. Sustituir los valores en la frmula de la Varianza
7. Sustituir los valores en la frmula de la Desviacin Estndar o su
equivalente, es decir, obtener raz cuadrada de la Varianza
OSCAR MAYO LEYTTE
51
Ejemplo. Considrense los valores que hemos estado utilizando para datos No
agrupados, es decir: 1, 4, 6, 8, 9, 26
CALCULO DE LA DESVIACION MEDIA (DM)
(Diferencias)2
Valores
(x)
Diferencias
1
4
6
8
9
26
1-9= -8
4-9= -5
6-9= -3
8-9= -1
9-9= 0
26-9= 17
-82= 64
-52= 25
-32= 9
-12= 1
02= 0
172= 289
=0
= 388
(x X )
(x X )
Media Aritmtica de los valores:
X =
x
n
1 + 4 + 6 + 8 + 9 + 26
54
=
=9
6
6
Varianza:
(x X )
=
388
= 64.67
6
Desviacin Estndar:
(x X )
s=
= s 2 = 64.67 = 8.04

Frmula:
f (x X )
=
f
Varianza (s ).
f (x X )
f
Desviacin Estndar (s)
s=
= s2
OSCAR MAYO LEYTTE
52
Donde.
x
n
f
(x X )
= nmero de valores considerados
= frecuencia de cada valor
= diferencia de cada valor respecto a la Media
Aritmtica
Procedimiento:
9. Determinar la Media Aritmtica de los datos
10. Obtener la diferencia de cada valor con respecto a la Media Aritmtica
11. Elevar al cuadrado cada diferencia
12. Multiplicar cada diferencia al cuadrado por su respectiva frecuencia
13. Obtener la suma
14. Sustituir los valores en la frmula de la Varianza
15. Sustituir los valores en la frmula de la Desviacin Estndar o su
equivalente, es decir, obtener la raz cuadrada de la Varianza
Ejemplo: Considrense los valores que hemos utilizado anteriormente para el caso de
datos agrupados, es decir, los siguientes:
(Miles de dlares)
Ingresos
Mensuales en
miles de $
(clases)
Nm. de
Familias
Punto
Medio
(f)
(x)
fx
(x X ) (x X )
0 y menos de 2
2 y menos de 4
4 y menos de 6
6 y menos de 8
8 y menos de 10
2
4
8
6
1
1
3
5
7
9
2
12
40
42
9
1-5= -4
3-5= -2
5-5= 0
7-5= 2
9-5= 4
Suma ()
n = fi = 21
=105
=0
Media Aritmtica:
X =
fx
f
i
-42= 16
-22= 4
02= 0
22= 4
42= 16
(x X )
2*16= 32
4*4= 16
8*0= 0
6*4= 24
1*16= 16
= 88
105
=5
21
OSCAR MAYO LEYTTE
53
f (x X )
=
f
Varianza:
f (x X )
f
88
= 4.19
21
Desviacin Estndar:
s=
= s 2 = 4.19 = 2.05
Propiedades de la Desviacin Estndar

I. La Desviacin Estndar est calculada con respecto a la Media Aritmtica de
los valores al igual que la Desviacin Media
II. Mide la dispersin (variacin) alrededor de la Media Aritmtica
III. Es matemticamente lgica ya que toma en cuenta los signos de las
diferencias de cada valor respecto a la Media Aritmtica
4.4 COEFICIENTE DE VARIACION (V)

El Coeficiente de Variacin es una medida de dispersin relativa. La ms utilizada
es aquella que se obtiene dividiendo la Desviacin Estndar entre la Media
Aritmtica
V =
s
X
Considerando los valores que hemos obtenido anteriormente, tendremos.
V =
s 8.04
=
= 0.89 89%
9
X
Este resultado significa que existe una variacin del 89% de los valores alrededor de
la Media Aritmtica
V =
s 2.05
=
= 0.41 41%
5
X
OSCAR MAYO LEYTTE
54
Este resultado significa que existe una variacin del 41% de los valores alrededor de
la Media Aritmtica
Vemos que los datos agrupados muestran menos variacin (dispersin) relativa
respecto de los datos No agrupados
4.5 MEDIDAS DE ASIMETRIA (Sk)

Ya comentamos antes que una serie de datos y su distribucin puede o no presentar
asimetra; en caso de presentarla sta puede ser una asimetra izquierda o derecha,
como se ilustra a continuacin:
Una distribucin tendr asimetra izquierda o hacia la izquierda cuando encontremos

que la ubicacin de los valores y en consecuencia la forma de la distribucin sea de la
siguiente manera:
Grficamente:
Escala de las Y
Escala de las X
Md Mo
OSCAR MAYO LEYTTE
55

Moda, a su izquierda se encontrar la Mediana y ms a la izquierda estar la
Media Aritmtica.
Una distribucin tendr asimetra derecha o hacia la derecha cuando encontremos que
la ubicacin de los valores y en consecuencia la forma de la distribucin sea de la
siguiente manera:
Grficamente:
Escala de las Y
Escala de las X
Mo Md X
Moda, a su derecha se encontrar la Mediana y ms a la derecha estar la
Media Aritmtica.
Veremos como medir porcentualmente dicha asimetra en caso de existir,

empleando lo que se llama COEFICIENTE DE ASIMETRA (Sk).
COEFICIENTE DE ASIMETRIA (Sk)

Frmula:
Sk =
X M o
s
1. Si el resultado es cero, no habr asimetra

2. Si el resultado es positivo, existir asimetra derecha, en el porcentaje
obtenido
3. Si el resultado es negativo, existir asimetra izquierda, en el porcentaje
obtenido
OSCAR MAYO LEYTTE
56
Empleando los valores que hemos utilizado en nuestro ejemplo anterior tendremos:
Sk =
X M o
s
No podremos aplicar esta frmula a datos No agrupados debido a que la serie

utilizada no tuvo Moda, en consecuencia esta fue cero y en tales condiciones no la
podemos considerar, porque el resultado nos dara un valor mayor a uno, lo cual no
es posible, es decir, el lmite del Coeficiente de Asimetra es 100% o 1.00.
Debemos tener presente lo anterior, para no incurrir en inconsistencias, por no haber
un valor modal.
Sk =
X M o 5 5.33 0.33
=
=
= 0.16 -16%
s
2.05
2.05
El resultado nos indica que existe asimetra izquierda en un16% de los valores.
Si no hubiese existido asimetra, es decir, si la serie hubiese sido simtrica, el
Coeficiente de Asimetra nos dara cero. Esto sera as debido a que los valores de
la Media Aritmtica y la Moda seran los mismos y en consecuencia su diferencia
nos dara cero, que dividido entre cualesquiera valor de la Desviacin Estndar,
implicara tener un Coeficiente de Asimetra cero tambin.
4.6 MEDIDAS DE APUNTAMIENTO KURTOSIS ( a 4 )

En esta seccin conviene resumir que una distribucin de frecuencias puede
describirse usando un promedio como la Media Aritmtica para mostrar el valor
tpico o la tendencia central de una serie de datos y que adems, una medida de
dispersin nos puede mostrar la variacin de los valores alrededor de ese promedio,
tal como la Desviacin Estndar.
Una medida de asimetra nos mostrar la direccin de la distribucin (izquierda o
derecha) y adems, ser posible tambin medir si existe en la serie de datos
apuntamiento o achatamiento y en que grado, esto significar el grado de
concentracin de los valores alrededor de la Moda, para con ello determinar si es
apuntada, normal o achatada, segn se ilustra en la siguiente grfica:
OSCAR MAYO LEYTTE
57
Grfica comparativa sobrepuesta

Distribucin
Apuntada
Escala de las Y
Distribucin
Normal
Distribucin
Achatada
Mo
Escala de las X
El Coeficiente de Apuntamiento o Kurtosis, analiza el grado de concentracin

que presentan los valores alrededor de la zona central de la distribucin.
Se definen 3 tipos de distribuciones segn su grado de kurtosis (apuntamiento):
Grfica comparativa
Distribucin mesocrtica: presenta un grado de concentracin medio alrededor

de los valores centrales de la variable (el mismo que presenta una distribucin
normal), esto implica que no habra ni apuntamiento ni achatamiento.
Distribucin leptocrtica: presenta un elevado grado de concentracin alrededor
de los valores centrales de la variable.
Distribucin platicrtica: presenta un reducido grado de concentracin alrededor
de los valores centrales de la variable.
El procedimiento para medir el grado de apuntamiento o kurtosis se basa en los
llamados: Momentos, considerando como momento, estadsticamente hablando,
a las diferencias de cada valor respecto a la Media Aritmtica elevado a alguna
potencia. Se relaciona un momento especfico a una determinada potencia, por
OSCAR MAYO LEYTTE
58
ejemplo, las diferencias elevadas a la potencia uno, se relacionan con el primer

momento, las diferencias elevadas al cuadrado se relacionan con el segundo
momento, las diferencias elevadas al cubo se relacionan con el tercer momento y
as sucesivamente.
En la siguiente tabla se muestran las diferencias elevadas a potencias relacionadas
con los primeros cuatro momentos, su simbologa y la frmula para el clculo
respectivo:
FORMULAS PARA CALCULAR LOS MOMENTOS RESPECTO A X
Momentos con respecto a la
Media Aritmtica
Para datos No
agrupados
(x X )
Primer Momento m1 =
(x X )
Segundo Momento m2 =
(x X )
Tercer Momento m3 =
(x X )
Cuarto Momento m4 =
Para datos
agrupados
Se utiliza para:
f (x X )
f
=0
f (x X )
f
=0
f (x X )
f
=0
Sirve como una

medida absoluta de
asimetra
=0
Sirve como una

medida de Kurtosis o
Apuntamiento
f (x X )
f
Encontrar la Media
Aritmtica
Encontrar la
Varianza y la
Desviacin Estndar
2
m2 = s
En los momentos impares se conserva el signo original de la Desviacin Estndar,

por ejemplo en el Tercer Momento (m3) un resultado negativo indicar la existencia
de una Asimetra Izquierda e inversamente un resultado positivo indicar asimetra
derecha en el eje X.
En consecuencia podemos determinar una medida de Asimetra Relativa ( a3 )
relacionada con el tercer momento, misma que se obtiene dividiendo el tercer
momento con respecto a la Media Aritmtica por la tercera potencia de la Desviacin
Estndar, es decir:
a3 =
m3
s3
Podemos tambin determinar una medida relativa de Kurtosis ( a 4 ) dividiendo el

cuarto momento por la cuarta potencia de la Desviacin Estndar. El cuarto
momento siempre ser positivo, la frmula es:
a4 =
m4
s4
donde s4 = (s2)2 = (m2)2
OSCAR MAYO LEYTTE
59
El valor de a 4 para una distribucin normal, es decir, sin apuntamiento o

achatamiento, es 3, por ello, la medida relativa de la Kurtosis puede ser:
a4 3 = 0
Indica una distribucin normal (distribucin mesocrtica)
a4 3 > 0
Indica apuntamiento, el cual ser mayor cuanto ms arriba de

cero resulte (distribucin leptocrtica).
a4 3 < 0
Indica achatamiento, el cual ser mayor cuanto ms debajo de

cero resulte (distribucin platicrtica).
Esto es aplicable tanto para el caso de datos No agrupados como para el caso de
datos agrupados.

Ejemplo considerando los valores utilizados para el ejemplo de datos No agrupados,
es decir: 1,4,6,8,9,26
CALCULO DE LA KURTOSIS Y DE LA ASIMETRIA
Valores
(x)
Diferencias
(x X )
(x X )
(x X )
(x X )
1
4
6
8
9
26
1-9= -8
4-9= -5
6-9= -3
8-9= -1
9-9= 0
26-9= 17
-82= 64
-52= 25
-32= 9
-12= 1
02= 0
172= 289
-512
-125
-27
-1
0
4,913
4,096
625
81
1
0
83,521
=0
= 388
= 4,248
= 88,324
Media Aritmtica de los valores:
X =
x
n
1 + 4 + 6 + 8 + 9 + 26
54
=
=9
6
6
Varianza:
(x X )
=
s = m2
2
388
= 64.67
6
OSCAR MAYO LEYTTE
60
Desviacin Estndar:
(x X )
s=
= s 2 = 64.67 = 8.04
Asimetra Relativa ( a3 )
(x X )
=
m3
a3 =
4,248
= 708
6
m3
708
708
=
=
= 1.36
3
3
s
(8.04) 519.72
Como el valor de a3 es positivo (porque m3 es positivo), la distribucin

presenta una asimetra derecha o hacia la derecha del eje de las X.
Kurtosis Relativa ( a 4 )
(x X )
m4 =
a4 =
n
m4
(s )
2 2
88,324
= 14,721
6
14,721
(64.67 )
14,721
= 3 .5
4,182
Debido a que a 4 es un valor mayor que 3, la distribucin es relativamente

apuntada

Ejemplo considerando los valores utilizados para los ejemplos de datos No
agrupados de secciones anteriores
OSCAR MAYO LEYTTE
61

(Miles de dlares)
Ingresos
Mensuales en
miles de $
Nm. de
Familias
Punto
Medio
(clases)
(f)
(x)
fx
(x X )
(x X )
0 y menos de 2
1-5= -4
-4 = 16
2 y menos de 4
12
3-5= -2
-2 = 4
4 y menos de 6
40
5-5= 0
0 =0
6 y menos de 8
42
7-5= 2
2 =4
8 y menos de
10
9-5= 4
4 = 16
Suma ()
21
105
X =
Media Aritmtica:
f (x X )
(x X )3
f (x X )
(x X )4
f (x X )
2*16= 32
-64
-128
256
512
4*4= 16
-8
-32
16
64
8*0= 0
6*4= 24
48
16
96
1*16= 16
64
64
256
256
88
fx
f
i
-48
s = m2
928
105
=5
21
f (x X )
=
f
Varianza:
f (x X )
f
88
= 4.19
21
s=
Desviacin Estndar:
= s 2 = 4.19 = 2.05
Asimetra Relativa ( a3 )
48
f (x X )
=
= 2.3 = -2.3
21
f
3
m3 =
a3 =
m3
2.3
2.3
=
=
= 0.3 = -0.3
3
3
s
(2.05) 8.6
Como el valor de a3 es negativo (porque m3 es negativo), la distribucin

presenta una asimetra izquierda o hacia la izquierda del eje X.
OSCAR MAYO LEYTTE
62
Kurtosis Relativa ( a 4 )
m4 =
928
f (x X )
=
= 44.2
21
f
a4 =
m4
(s )
2 2
44.2
(4.19)
44.2
= 2 .5
17.6
Debido a que a 4 es un valor menor que 3, la distribucin es relativamente

achatada
OSCAR MAYO LEYTTE
63
5 CONCEPTOS BSICOS DE PROBABILIDAD

Es necesario que distingamos con una simbologa apropiada los indicadores de la
muestra estadstica y de la poblacin, porque su tratamiento e inferencia de uno a otro
se ver facilitado al identificarlos tal como se presenta en la siguiente tabla:
INDICADORES MUESTRALES Y POBLACIONALES
Indicadores
(Medidas)
Para la Poblacin
(Parmetros)
Para la Muestra
(Estadsticos)
Media Aritmtica
Varianza
s2
Desviacin Estndar
Nmero de Elementos
Se llamar a los indicadores de poblacin parmetros, en tanto a los indicadores de la

muestra se les llamar estadsticos, es as como se encuentran en el tratamiento
clsico de la estadstica por la gran mayora de los autores de la materia.
Luego de esta diferenciacin, vamos a analizar cuales son algunos de los conceptos
bsicos que se manejan en probabilidades, iniciaremos con el concepto y tratamiento
de permutaciones.
5.1 Permutaciones
Una permutacin nPr es un arreglo de objetos donde el orden que tienen ellos es
importante. El nmero de arreglos posibles se determina mediante la siguiente
expresin:
Frmula:
Permutaciones:n Pr =
n!
(n r )!
OSCAR MAYO LEYTTE
64
Donde:
n! = n(n-1)(n-2)(n-3).....[n - (n+1)]
se denomina a n! como nmero factorial
El factorial de un nmero significa que se multiplica el nmero respectivo

por los nmeros que le anteceden sucesivamente, hasta el uno, es decir,
no se considera el cero. Como el nmero cero queda excluido de este
tratamiento como tal, un nmero factorial siempre ser positivo
Ejemplos de nmeros factoriales y sus resultados:
nPr
3! = (3)(2)(1) = 6
4! = (4)(3)(2)(1) = 24
0! = 1
1! = 1
= Nmeros de arreglos posibles (permutaciones) de n objetos tomando r a

la vez para cada arreglo (permutacin).
n = Nmero de objetos u elementos totales considerados para las

permutaciones.
r = Nmero de objetos u elementos tomados a la vez para cada permutacin.
Ejemplo:
Un grupo de hoteleros, va a elegir a sus representantes, teniendo que determinar entre
tres de ellos las nominaciones de Presidente y Vicepresidente quedando uno fuera. En
lugar de nombres vamos a decir, que los tres hoteleros que compiten para los dos
cargos se llaman A, B y C.
Podemos apreciar mediante la tcnica de Diagrama de rbol,
los arreglos
(permutaciones) que se pueden obtener para la eleccin de esta representacin:
OSCAR MAYO LEYTTE
65
De esta manera nos damos cuenta que los arreglos posibles, es decir, las
permutaciones que se pueden obtener de los tres empresarios, tomando dos de ellos a
la vez por cada arreglo (permutacin) es 6 de acuerdo al Diagrama de rbol. Veamos
por la frmula antes descrita, las permutaciones que resultan sustituyendo los valores
correspondientes, es decir: n = 3 (total de elementos considerados) y r = 2 (nm. de
elementos tomados a la vez para cada permutacin:
n
Pr =
3!
(3)(2)1!
n!
=
=
= (3)(2) = 6
(n r )! (3 2)!
1!
Como vemos, es el mismo valor que con el diagrama de rbol, pero hacer diagramas
de rbol con mas de cuatro elementos nos resultara muy complicado o definitivamente
imposible; intntese por ejemplo obtener el nmero de arreglos posibles
(permutaciones) de una representacin que tendr 6 cargos jerrquicos diferentes (r), a
partir de 10 empresarios (n) entre los cuales se obtendra tal eleccin. De ah la
importancia de nuestra frmula.
Si hacemos el clculo mediante formula, tendramos:
Pr =
n!
10!
(10)(9)(8)(7)(6)(5)4!
=
=
= (10)(9)(8)(7)(6)(5) = 151,200
(n r )! (10 6)!
4!
OSCAR MAYO LEYTTE
66
5.2 Combinaciones
Una combinacin es un arreglo de objetos donde el orden que tengan estos no
interesa. El nmero de combinaciones posibles se puede determinar empleando la
siguiente expresin:
Frmula
Cr =
n!
r!(n r )!
Donde:
nCr
= Nmero de combinaciones posibles de n objetos (elementos)

tomando r objetos a la vez para cada combinacin.
n = Nmero de objetos u elementos considerados en total para las

combinaciones.
r = Nmero de objetos u elementos tomados a la vez para cada combinacin.
Ejemplo:
Consideremos al mismo grupo de hoteleros del ejemplo anterior, que despus de
pensarlo bien, quieren evitar problemas de autoritarismo, decidiendo elegir una
representacin de dos personas con el mismo nivel, para que ninguno mande sobre el
otro, es decir, sin jerarqua, de esta manera, se elegir nuevamente entre tres de ellos
a dos para Representante 1 y para Representante 2, siendo las combinaciones
posibles las siguientes:
OSCAR MAYO LEYTTE
67
Al eliminar las repeticiones de arreglos con los mismos elementos, debido a que en
este caso no importa el orden sino los elementos incluidos en cada arreglo posible, nos
damos cuenta que quedan 3 arreglos sin repeticin (realmente diferentes), esas son
las combinaciones posibles.
Observamos tambin que si el orden interesara, seran 6 los arreglos posibles
(permutaciones), pero ahora el orden no importa, sino nicamente cuales elementos
estn en cada arreglo, al eliminar aquellos que tienen los mismos elementos, se nos
reduce su nmero a 3, que son las combinaciones posibles.
Las permutaciones fueron ilustradas por un ejemplo en donde el orden era importante,
porque no es lo mismo tener el cargo de Presidente que el de Vicepresidente, es
indudable que tiene mayor jerarqua el primer cargo respecto del segundo, de igual
manera hemos ilustrado las combinaciones cuando del mismo ejemplo, se elimina la
jerarqua y se elige a representantes del mismo nivel, para evitar que una persona
pueda estar por encima de la otra.
Por formula las combinaciones posibles con n = 3 (total de elementos considerados) y
r = 2 (nm. de elementos considerados para cada combinacin) son:
Cr =
3!
(3)(2) 6
n!
=
=
= =3
r!(n r )! 2!(3 2)! 2!(1!) 2
Como vemos se obtuvo el mismo resultado que empleando el diagrama de rbol, por lo
cual podemos estar seguros de que utilizando frmulas y siempre que planteemos
correctamente un problema, determinaremos la solucin sin necesidad de diagramas.
5.3 Distribucin de probabilidad.

Distribucin de probabilidad es la representacin cuantitativa y grfica de las
ocurrencias de un evento.
En atencin a su representacin existen dos tipos de distribuciones de probabilidad.
A) Distribuciones discretas
B) Distribuciones continuas
A. Una distribucin discreta de probabilidad, es aquella que representa eventos no
susceptibles de fraccionar, por ejemplo: personas, sillas, autos, escritorios, etc. En
los cuales no cabe la nocin de fracciones, es decir, no tiene sentido hablar de 8.6
OSCAR MAYO LEYTTE
68
de persona, o se habla de 9 personas o se habla de 8, pero no de partes

fraccionarias de ellas.
B. Una distribucin continua de probabilidad, es aquella que representa eventos
que se pueden fraccionar, por ejemplo: dinero, maz, carne, leche, etc. En ellos es
posible considerar mediciones grandes o muy pequeas que s tienen sentido,
podemos hablar de millones de pesos o centavos de pesos, asimismo podemos
hablar de toneladas de maz o gramos de maz, en este caso la unidad es
perfectamente fraccionable en amplio margen.
Grficamente:
100
90
80
70
60
50
40
30
20
10
0
1er trim.
2do trim.
3er trim.
4to trim.
Distribucin discreta de probabilidad (puntos medios unidos en lo alto por rectas)
100
90
80
70
60
50
40
30
20
10
0
1er trim.
2do trim.
3er trim.
4to trim.
Distribucin contnua de probabilidad (puntos medios unidos en lo alto por curvas)
Las Distribuciones Discretas ms importantes son. La Distribucin Binomial y la

Distribucin de Poisson.
La Distribucin Continua ms importante es la Distribucin Normal, misma que en
Estadstica Inferencial es la base de los principales tratamientos. Por esa razn nos
ocuparemos de ella a continuacin:
OSCAR MAYO LEYTTE
69
5.4 Distribucin Normal

Caractersticas principales:
a) Tiene forma de campana

b) Es simtrica con respecto a la media aritmtica de la distribucin que se
localiza en el centro de ella, es decir, hay el mismo nmero de valores tanto a la
derecha como a la izquierda del centro como se ilustra a continuacin:
Escala de las X
c) Se extiende de - a +, es decir, nunca toca el eje x.

d) El rea total bajo la curva, comprende el 100% de los valores considerados.
100%
Escala de las X
e) El rea bajo la curva entre dos puntos de referencia respecto al eje x,

corresponde a la probabilidad de que una variable distribuida en forma normal,
asuma un valor entre ellos.
Escala de las X
OSCAR MAYO LEYTTE
70
f) La probabilidad siempre ser un valor de intervalo definido entre la media

aritmtica y la desviacin estndar.
g) El rea bajo la curva es una determinacin del nmero de desviaciones
estndar que existen entre la media aritmtica (centro de la distribucin) y un
punto de referencia hacia la derecha o hacia la izquierda.
Escala de las X
- 3
- 2
- 1
+ 3
+ 2
+ 1
Para facilitar la obtencin del rea bajo la curva normal. Se procede a estandarizarla,
es decir, transformarla a una escala de valores Z respecto del eje X, de lo contrario,
para obtener el rea bajo la curva en la escala de valores absolutos se requerir de
clculo integral, lo cual no se considera necesario, como se ver ms adelante.
Esta transformacin o estandarizacin, la logramos mediante el empleo de la siguiente
expresin:
Z=
Donde:
x = valor de referencia
= desviacin estndar de toda la poblacin
= media aritmtica de toda la poblacin
Con los datos transformados de esta manera, ser posible obtener el rea bajo la
curva normal simplemente leyendo en las diferentes versiones de tablas de reas bajo
la curva normal estandarizada, de acuerdo a dos valores de referencia (xi), es decir,
con respecto a x1 y a x2 dados, conforme a algn interrogante o problema que nos
hayamos planteado.
OSCAR MAYO LEYTTE
71
Escala de valores estandarizados
-3 -2 -1 0 1 2 3
Escala X de valores absolutos
- 3
- 2
+ 3
+ 2
- 1
+ 1
Las tablas de estos apuntes, se encuentran en el Anexo B.

Veamos con un ejemplo la forma de estandarizar valores absolutos y comparar como
las dos escalas que se pueden definir en el eje X son equivalentes:
Ejemplo 1:
En un Estudio de Mercado, se determin que el promedio de gasto diario de los turistas
extranjeros que visitaron Aguascalientes el ao pasado, fue de $200.00 dlares diarios,
con una desviacin estndar de $20.00 dlares.
Con base en estos datos, la distribucin normal con escala de valores absolutos queda
como sigue:
Escala de valores absolutos

140 160 180 200 220 240 260
- 3
- 2
- 1
Escala X de valores absolutos

+ 3
+ 2
+ 1
Ahora procedamos a estandarizar los diferentes valores absolutos empleando la

expresin:
OSCAR MAYO LEYTTE
72
Z=
Ahora consideremos como valores de referencia los anotados en la escala de valores

absolutos de la figura anterior, es decir:
x1 = 140
x2 = 160
x3 = 180
x4 = 200
x5 = 220
x6 = 240
x7 = 260
Adems sabemos que la Media Aritmtica es =200 y que la Desviacin
Estndar es =20, transformando tendremos:
Z1 =
Z2 =
Z3 =
Z4 =
Z5 =
Z6 =
Z7 =
x1
140 200 60
=
= 3
20
20
x2
160 200 40
=
= 2
20
20
180 200 60
=
= 1
20
20
200 200 0
=
=0
20
20
220 200 20
=
=1
20
20
240 200 40
=
=2
20
20
260 200 60
=
=3
20
20
x3
x4
x5
x6
x7
Con los valores transformados podemos representar abajo de la escala de valores

absolutos, los correspondientes valores estandarizados para observar que existe
equivalencia entre ambos
OSCAR MAYO LEYTTE
73
140 160 180 200 220 240 260
escala de valores absolutos
-3
escala de valores estandarizados
-2
-1
Independientemente del valor tanto de la Media Aritmtica como de la Desviacin

Estndar, ser posible llevar a cabo la transformacin a trminos de Z, es decir, a
valores estandarizados y con esto, se podr obtener el rea bajo la curva normal o
probabilidad, empleando la tabla del Anexo B u alguna otra similar.
Es importante ver que existe una lgica relacin entre la escala de valores absolutos
con la escala Z de valores estandarizados; los valores estandarizados muestran de
hecho, el recorrido o distancia que se tiene en trminos (nmero) de desviaciones
estndar, de un determinado valor de referencia xi respecto de la media aritmtica
(centro de la distribucin), por ello el nmero 220 se encuentra a una distancia de 1
desviacin estndar (20), respecto del centro de la distribucin (200).
De ah que la escala Z de valores estandarizados, mida precisamente cuantas
desviaciones estndar se tienen entre un valor de referencia xi y el centro (el cero), ya
sea hacia la izquierda o hacia la derecha.
Para obtener el rea bajo la curva normal estandarizada es decir, la probabilidad,
debemos recordar que la distribucin contiene el 100% de los valores y que a sus dos
lados se encuentra por lo tanto, exactamente el 50% de tales valores respecto de su
centro (media aritmtica).
100%
50%
50%
Escala de las X
OSCAR MAYO LEYTTE
74
Esta situacin es muy importante porque las tablas que se presentan en el Anexo B,
permiten determinar el rea bajo la curva normal estandarizada nicamente de la parte
derecha de la distribucin, es decir, de donde aparecen los valores positivos de
recorrido (o distancia) en nmero de desviaciones estndar respecto de la Media
Aritmtica (centro de la distribucin). Como la distribucin es simtrica, lo que
obtengamos en ese lado derecho, es equivalente al lado izquierdo.
Bajo la curva normal encontraremos en el rea comprendida entre -1 y 1, que se
localizarn el 68.27% de los valores, si ampliamos el rea, considerndola de -2 a 2,
encontraremos que dicha franja estar el 95.45% de los valores, en tanto que en la
franja que va de -3 a 3 se localizar el 99.73% de los valores, esto se ilustra a
continuacin:
Escala Z de valores estandarizados
-3 -2 -1 0 1 2 3
68.27%
95.45%
99.73%
Ejemplo 1
Podemos calcular la probabilidad (rea bajo la curva) de encontrar un turista en
Aguascalientes que gaste entre $200.00 y $220.00 dlares diarios, considerando que
el gasto promedio ascendi el ao pasado a $200.00 dlares diarios con una
desviacin estndar de $20.00 dlares:
Grficamente:
Escala de valores absolutos (x)

140 160 180 200 220 240 260
-3 -2 -1 0 1 2 3
OSCAR MAYO LEYTTE
75
Estandarizando los valores tendremos:

Como x1 = 200
entonces
Z1 =
Como x2 = 220
entonces
Z2 =
x1
200 200 0
=
=0
20
20
x2
220 200 20
=
=1
20
20
En consecuencia, estamos buscando el rea bajo la curva que se encuentra

entre 0 y 1 de la escala Z de valores estandarizados, es decir, la franja
sombreada de la figura anterior, lo cual se expresa de la siguiente manera:
( 0 Z 1 ) = rea bajo la curva normal entre 0 y 1 = 0.3413 34.13%
El resultado de cuanto es el rea bajo la curva se lee en las tablas del Anexo
B, a la altura del cruce del rengln 1.0 con la columna 0
Interpretacin del resultado obtenido:

El resultado nos indica que la probabilidad de encontrar un turista que gaste
entre $200.00 y $220.00 dlares diarios es de 34.13%.
Ejemplo 2:
Considerando el mismo ejemplo, cual es la probabilidad de encontrar un turista que
gaste mas de $240.00 dlares diarios.
Grficamente:
Escala de valores absolutos (x)

140 160 180 200 220 240 260
-3 -2 -1 0 1 2 3
Auxilindonos de una tabla tendremos:
OSCAR MAYO LEYTTE
76
Datos
Frmula
Sustitucin
x1 = 240
=200
Z=
Z1 =
240 200 40
=
=2
20
20
=20
La obtencin del rea bajo la curva en este caso se expresa como sigue:
( 2 Z ) = rea bajo la curva normal mayor o igual a 2
En este caso es muy importante recordar que del centro de la distribucin hacia
la derecha, se localiza el 50% del rea bajo la curva normal, por lo que para
determinar el rea que est de 2 en adelante, con respecto a la escala Z de
valores estandarizados, calculamos lo siguiente:
0.5 - ( 0 Z 2 )
Esto significa que a toda la mitad de la curva normal (0.5) le restamos el rea
que se localiza entre 0 y 2, resultando de esta forma, el rea que hay de 2 en
adelante.
Recordemos tambin que el rea bajo la curva normal entre 0 y 2 se lee del
Anexo B, resultado entonces lo siguiente.
( 0 Z 2 ) = 0.47725
(lectura en el rengln 2.0 a la altura de la

columna 00)
As, determinamos la resta:

0.5 - ( 0 Z 2 ) = 0.5 0.47725 = 0.02275 2.275% o 2.3%
Esto significa que la probabilidad de encontrar a un turista cuyo

gasto diario es de ms de 240 dlares, es 2.3 %
OSCAR MAYO LEYTTE
77
ANEXO A
REPASO DE LOGARITMOS
Los logaritmos nos permiten transformar nmeros que son muy grandes a pequeas
expresiones, para poder realizar diversas operaciones entre ellos como son
multiplicarlos, dividirlos, sumarlos o restarlos. Existen varios tipos de logaritmos, en
estos apuntes, se utilizan los logaritmos base 10.
Logaritmos base 10 (log)

log. de un numero = caracterstica + mantisa (siempre positiva)
la caracterstica es la parte entera del logaritmo y nos indica el numero de dgitos

enteros que tiene el nmero en cuestin menos 1, si es entero. Si el nmero es
fraccionario, la caracterstica ser igual al nmero de ceros que existan entre el punto
decimal y el primer dgito diferente de cero mas uno y ser negativa. Por consecuencia
la caracterstica ser positiva cuando el nmero sea entero o ser negativa cuando el
numero sea fraccionario, como se ilustra a continuacin:
nmero
2
20
200
0.2
0.02
caracterstica
0
tiene 1 entero = 1 1 = 0
1
tiene 2 enteros = 2 1 = 1
2
tiene 3 enteros = 3 1 = 2
-1
hay 0 ceros (entre el punto y el nm.) mas 1 = -1
-2
hay 1 cero (entre el punto y el nm.) mas 1 = -2
Determinacin de la mantisa
La mantisa es la parte fraccionaria del logaritmo (log) y tiene que obtenerse de una
tabla de logaritmos base 10, de la cual existen diversos autores y ediciones, en estos
apuntes, se incluyen como anexo C nuestras tablas de logaritmos.
La mantisa nos indica cual es el nmero convertido a la base utilizada, en este caso a
la base 10. Cualquier nmero se puede convertir a logaritmos, considerando que se
trata de un exponente del nm. 10, que al calcularse nos da el nm. considerado,
veamos los siguientes ejemplos:
NUMERO
CARACTERISTICA
(segn los dgitos)
Log de 2
Log de 20
Log de 200
Log de 0.02
0
1
2
-2
Log de 0.002
-3
MANTIZA
(segn tablas)
0.301030
0.301030
0.301030
0.301030
0.301030
LOGARITMO
RESULTANTE
(log)
0.301030
1.301030
2.301030
-2+0.301030
-3 + 0.301030
Por qu es este el
logaritmo?
100.301030 = 2
101.301030 = 20
102.301030 = 200
10-1.69897 = 0.02
10-2.69897 = 0.002
OSCAR MAYO LEYTTE
78
Obsrvese que en el caso de caractersticas negativas, se realiza una suma con la

matiza positiva correspondiente, lo cual modifica el logaritmo.
Los logaritmos pueden obtenerse directamente por calculadora o
computadora (con programas como Excel), pero tambin existen tablas que
aparecen en los anexos de muchos libros de estadstica y de matemticas
para las mantisas.
EN RESUMEN:
Un log es el exponente al cual habr que elevar una base (en este caso 10) para
obtener as el numero correspondiente; por lo tanto la caracterstica simplemente nos
dice donde va colocado el punto decimal y la mantisa de que numero especfico se
trata.
El antilogaritmo (antilog). es la operacin de elevar la base (en este caso 10) al log.
respectivo para volver a obtener un nmero natural, en este caso, la ltima columna de
la tabla anterior, donde se obtuvo el resultado de elevar el 10 al exponente respectivo.
OPERACIONES CON LOGARITMOS:

1. Multiplicacin:
AB = Antilogaritmo de ( log A + Log B ).
2. Divisin
A
= Antilogaritmo de ( log A - Log B ).
B
3. Potencia
AP = Antilogaritmo de [ (log A)P ]
4. Raz
log A
A = Antilogaritmo de [ (log A) ( K1 ) ] = Antilogaritmo de
EJEMPLOS (ver tablas de logaritmos del anexo C
Multiplicacin
Si empleando logaritmos deseamos obtener la multiplicacin: (685)(122) tendremos:
Antilogaritmo de (log A + log B) = Antilogaritmo de (2.835691 + 2.086360) =
Antilogaritmo de (4.922051) = 83.570
OSCAR MAYO LEYTTE
79
Divisin
Si empleando logaritmos deseamos obtener
A 5,205
calculamos entonces
=
B 1,901
Antilogaritmo de (log A log B) = Antilogaritmo de (3.716421 3.278982) =

Potencia
Si empleando logaritmos deseamos obtener AP = 1.4589 calculamos entonces
Antilogaritmo de [ (log A)P ] = Antilogaritmo de [ (0.163758)9 ] =
Raz
Si empleando logaritmos deseamos obtener
A = 6 146 calculamos entonces
log A
2.164353
= Antilogaritmo de
=
6
Antilogaritmo de
OSCAR MAYO LEYTTE
80
ANEXO B
TABLA DE AREAS BAJO LA CURVA NORMAL
OSCAR MAYO LEYTTE
81

Apuntes de Estadística

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apuntes de Estadística

Enviado por

Direitos autorais:

Formatos disponíveis

Apuntes

INSTITUTO POLITECNICO NACIONAL

Lic. Orlando Aguirre Hernndez

3. MEDIDAS DE TENDENCIA CENTRAL (PROMEDIOS)

4. MEDIDAS DE VARIACION (DISPERSION)

5. CONCEPTOS BASICOS DE PROBABILIDAD

TABLA DE AREAS BAJO LA CURVA NORMAL

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

1.1 Divisin de la estadstica:

1.2 Divisin del trabajo estadstico.

(1) Recoleccin de datos del fenmeno

ORLANDO AGUIRRE HERNANDEZ,

JULIO BETANCOURT PINEDA

OSCAR MAYO LEYTTE

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

exista, ya que en caso contrario, estaramos frente a un problema ya no de la

(2). Crtica y depuracin de datos:

(3) Organizacin de la informacin:

ORLANDO AGUIRRE HERNANDEZ,

JULIO BETANCOURT PINEDA

OSCAR MAYO LEYTTE

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

(5) Anlisis e interpretacin de resultados:

1.3 Presentacin de informacin

CUERPO DE LA TABLA o CUADRO ESTADISTICO

Notas de pie de la tabla

A partir de la informacin de la tabla se pueden elaborar grficas, como las que se

3er 4to trim .

ORLANDO AGUIRRE HERNANDEZ,

JULIO BETANCOURT PINEDA

OSCAR MAYO LEYTTE

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

Una de las grficas particularmente importantes es la de barras horizontales, que

ORLANDO AGUIRRE HERNANDEZ,

JULIO BETANCOURT PINEDA

OSCAR MAYO LEYTTE

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

tambin como histograma de frecuencias, de donde el polgono se obtiene uniendo

Histograma de frecuencias y polgono de frecuencias

Polgono de frecuencias discreto

ORLANDO AGUIRRE HERNANDEZ,

JULIO BETANCOURT PINEDA

OSCAR MAYO LEYTTE

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

Polgono de frecuencias continuo (sin picos)

ORLANDO AGUIRRE HERNANDEZ,

JULIO BETANCOURT PINEDA

OSCAR MAYO LEYTTE

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

ORLANDO AGUIRRE HERNANDEZ,

JULIO BETANCOURT PINEDA

OSCAR MAYO LEYTTE

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

2.1 Clases y frecuencias

Ingreso familiar de turistas

Interesa saber cuantas familias ganan determinado ingreso, de acuerdo a una

Ingreso familiar de turistas

ORLANDO AGUIRRE HERNANDEZ,

JULIO BETANCOURT PINEDA

OSCAR MAYO LEYTTE

APUNTES DE ESTADSTICA BASICA APLICADA AL TURISMO

Criterios para establecer clases.

Nm. de clases = 1 + 0.3 (log. n)

i = (lmite superior) - (lmite inferior en la misma clase)