Mdulo 2 : Conceptos Estadsticos Fundamentales Cuando tenemos un conjunto muy grande de datos numricos para analizar decimos que

tenemos un Universo o Poblacin de observaciones. Cada dato numrico es un elemento de la poblacin o universo. Una Muestra es un subconjunto pequeo de observaciones extradas de un universo o poblacin. La Estadstica trabaja con poblaciones de datos y con muestras extradas de las mismas. Los conceptos de poblacin y muestra a veces resultan ambiguos en su aplicacin prctica. Por ejemplo, supongamos que en una ciudad de 5000 habitantes se realiza un censo mdico en el cual se mide el peso, la altura y se relevan otros datos de todos los habitantes de la ciudad. Alguien podra referirse al universo o poblacin censada teniendo in mente el conjunto de los habitantes de la ciudad. Pero cuando hablamos en trminos estadsticos, nos referimos a poblaciones o universos de datos. Por ejemplo, el conjunto de todas las mediciones de altura (De los habitantes de la ciudad) es un conjunto de datos y por lo tanto constituye un universo o poblacin de datos desde el punto de vista estadstico. Otro universo o poblacin de datos son los pesos medidos (De los habitantes de la ciudad). Pero la poblacin de habitantes, es decir, las personas que habitan la ciudad no son la poblacin a la que nos estamos refiriendo desde el punto de vista estadstico. Supongamos que en una empresa se fabrica un lote muy grande, digamos 10 toneladas de un producto, y un tcnico debe controlar la calidad del mismo. El tcnico toma una pequea porcin, por ejemplo, 100 gramos y dir que tom una muestra del producto para analizar en el laboratorio. Hasta el momento, la muestra no fue analizada y por lo tanto no tenemos ningn dato numrico. Cuando el laboratorio efecta algn ensayo en la muestra y obtiene un resultado numrico, recin ah tenemos un dato que puede ser analizado desde el punto de vista estadstico. Vamos a suponer hipotticamente que el tcnico contina sacando otras muestras del producto, hasta agotar el lote y cada una es ensayada en el laboratorio, el cual nos da los resultados. Como tenamos 10 ton. de producto y las muestras son aproximadamente de 100 gr., el tcnico seguramente extraer alrededor de 100000 muestras y el laboratorio nos entregar alrededor de 100000 resultados. Este conjunto de datos numricos es nuestro universo o poblacin de datos. Si nosotros tomamos al azar 10 de esos resultados, podemos decir que tenemos una muestra de 10 elementos de ese universo o poblacin. No debemos confundir esta muestra (Desde el punto de vista estadstico) con la muestra de material que extrajo el tcnico para ser analizada en laboratorio. Ahora bien, nuestro universo o poblacin de datos a veces no existe en la realidad, sino que es un concepto o abstraccin que utilizamos para referirnos al universo o poblacin que hipotticamente podra existir. Veamos el ejemplo anterior. Supongamos que el tcnico toma solamente 5 muestras y las enva para analizar al laboratorio. El laboratorio nos enviar slo 5 resultados, y nosotros diremos que tenemos una muestra de datos extrada del universo o poblacin de datos total (Aquel universo o poblacin que tendramos si se hubieran extrado y analizado las 100000 muestras de material). Muchas veces resulta difcil

imaginarse cual es el universo del cual extrajimos los datos. Supongamos que tenemos una mquina que produce piezas de plstico en serie y un tcnico toma 5 piezas sucesivas y les mide la altura con un calibre. Tenemos, entonces, 5 resultados, es decir una muestra de 5 elementos. Cul es el universo al cual pertenece esa muestra de datos?. Debemos imaginar lo siguiente: Si la mquina contina trabajando en las mismas condiciones (Es decir, a la misma velocidad, con las mismas materias primas, a la misma temperatura, manejada por el mismo operario, etc.) y a cada pieza que produce se le mide la altura tendramos un conjunto muy grande de resultados numricos. Ese conjunto muy grande de resultados numricos que no existe, pero que podra obtenerse en esas condiciones es el universo o poblacin del cual extrajimos la muestra de 5 observaciones. Veamos otro ejemplo. Supongamos que una empresa textil desea saber cual es el sueldo promedio que gana un operario en esa industria. Entonces, encarga una encuesta a un tcnico en estadstica, que entrevista a 20 operarios de la industria textil y averigua sus salarios. Estos datos son una muestra de 20 observaciones del universo o poblacin formado por los salarios de todos los operarios de la industria textil del pas. Aunque el tcnico no disponga de esos datos, sabemos que existen miles de operarios que ganan un salario determinado y por lo tanto podemos hablar de un universo o poblacin cuyos elementos son los salarios de los operarios de la industria textil en el pas. Adems, esa poblacin de datos es seguramente diferente de la poblacin de salarios de los operarios de la industria textil chilena o brasilea (Usando una misma moneda de referencia). Qu representa una Poblacin de datos?: El anlisis estadstico de una poblacin o universo de datos tiene como objetivo final descubrir las caractersticas y propiedades de aquello que gener los datos. Por ejemplo, se tiene una poblacin de escolares (Poblacin fsica, poblacin humana) y se les mide la altura. El conjunto de datos de altura constituye una poblacin o universo estadstico. El anlisis de estos datos de altura (Universo estadstico) sirve para caracterizar y estudiar a la poblacin de estudiantes (Que no es una Poblacin estadstica). Supongamos que un instituto dedicado a estudios econmicos ha realizado una encuesta de ingresos en el pas. El universo de datos generados por la encuesta sirve a los fines de caracterizar a la poblacin fsica, a la poblacin real del pas, desde un punto de vista econmico. Si un ingeniero controla un proceso industrial y recoge una serie de mediciones que luego se dedica a analizar, no es porque est interesado en jugar con nmeros, sino porque a travs de los datos numricos el puede evaluar el comportamiento del proceso, que es lo que realmente le interesa. Entonces, es importante destacar que detrs de un universo o poblacin de datos se encuentra una poblacin fsica (Elementos de la realidad que nos rodea) de la cual, a travs de algn tipo de medicin, se obtuvieron los datos numricos. Es esa poblacin fsica (Elementos de la realidad, seres humanos o materiales) la que deseamos estudiar y caracterizar por medio del anlisis estadstico de los datos obtenidos. La poblacin estadstica representa, entonces, una poblacin

fsica o natural formada por elementos de la realidad, con respecto a una caracterstica o propiedad de esa poblacin fsica. Por ejemplo, la altura de una poblacin de escolares, o el salario de una poblacin de trabajadores. Es muy importante, al utilizar mtodos estadsticos, no confundir la poblacin fsica, formada por elementos de la realidad que estamos estudiando, con la poblacin o universo de datos generados a partir de la primera. De aqu en adelante, cuando utilicemos los trminos poblacin o universo sin otro aditamento nos estaremos refiriendo a poblacin o universo de datos numricos (Tambin llamados observaciones o mediciones o valores). Distribucin de Frecuencias: Vamos a suponer que tenemos una cierta poblacin de N = 500 datos, por ejemplo el peso de varones adultos de 40 aos. Una manera de caracterizar la poblacin es construir una distribucin de frecuencias o grfico de frecuencias. Para ello seguimos los pasos siguientes: 1) Tomamos nota del valor mximo y el valor mnimo de la serie de datos que estamos considerando. 2) Subdividimos el intervalo entre el mximo y el mnimo en algn nmero de intervalos (15 20) mas pequeos iguales entre s. 3) Contamos el nmero de datos que encontramos dentro de cada intervalo (Frecuencia). Por ejemplo, supongamos que en el intervalo i hay n i observaciones ( ni = N). 4) Para construir el grfico, colocamos en el eje de abcisas (Horizontal) los intervalos y levantamos en cada intervalo un rectngulo de altura proporcional al nmero ni de datos dentro del mismo. Si hacemos el rea del rectngulo levantado sobre el intervalo i-simo igual a la frecuencia relativa ni/N, el rea total bajo el histograma ser igual a la unidad:
Area Total = Ai = ni = N

( n ) = N = 1
i

Grfico de Distribucin de Frecuencias

0,20 0,18 Frecuencia Relativa 0,16 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 60 66 72 78 Peso Kg. 84 90 96

Obtenemos as una representacin grfica (Llamada tambin histograma) que nos muestra la distribucin de frecuencias de la poblacin. Esta distribucin de frecuencias nos muestra las caractersticas de una poblacin, por ejemplo, si hay resultados que son mas frecuentes que otros. Nos muestra si los valores estn ubicados alrededor de un valor central, si estn muy dispersos o poco dispersos. Podemos observar que fraccin de todas las mediciones cae por ejemplo, entre 70 y 80 Kg. (Zona rayada en el grfico):

Grfico de Distribucin de Frecuencias

0,20 0,18 Frecuencia Relativa 0,16 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 60 66 72 78 Peso Kg. 84 90 96

Una extraccin aleatoria es aquella en que cada miembro de la poblacin tiene la misma posibilidad de ser elegido. Supongamos que realizamos una extraccin aleatoria de la poblacin antedicha y obtenemos el valor y. Entonces:

1) La probabilidad P(y<70) de que y sea menor que 70 Kg. es igual al rea del histograma a la izquierda de 70 Kg. 2) La probabilidad P(y>70) de que y sea mayor que 70 Kg. es igual al rea del histograma a la derecha de 70 Kg. 3) La probabilidad P(y>70, y<80) de que y sea mayor que 70 Kg. pero menor que 80 Kg. es igual al rea del histograma entre 70 y 80 Kg. Medidas de Tendencia Central: Una caracterstica importante de cualquier poblacin es su posicin, es decir, donde est situada con respecto al eje de abscisas (Eje horizontal). En nuestro caso, es importante saber si los datos se agrupan alrededor de 60 Kg. o de 90 Kg. o alrededor de 12 Kg. Una manera de obtener un dato numrico que nos d idea de la posicin de nuestra poblacin es calcular el Promedio o Media de todas las observaciones:
X =

(X )
i

Este importante parmetro nos permite efectuar comparaciones entre distintas poblaciones. Por ejemplo, si tuviramos una poblacin formada por mediciones del peso de mujeres de 30 aos, otra de peso de varones de 40 aos y una tercera de peso de nios de 8 aos, es indudable que los promedios van a ser diferentes. El promedio, entonces, nos est diciendo que las tres poblaciones son diferentes y tambin en que medida difieren. Ahora, si tuviramos una poblacin de varones con peso promedio 70 Kg. y otra poblacin de varones con el mismo promedio Se puede afirmar que ambas poblaciones son equivalentes? Medidas de Dispersin: Otra caracterstica importante de una poblacin es el grado de dispersin de las observaciones. No es lo mismo si en nuestra poblacin encontramos que todos los valores estn entre 75 y 90 Kg. que si estn entre 60 y 105 Kg., aunque el promedio sea el mismo. Si llegara a la tierra un marciano y le dijramos que el peso promedio de los seres humanos adultos es de 70 Kg., puede llegar a creer que existen hombres de 350 Kg., o de 5 Kg. Es necesario agregar alguna idea de la dispersin de los valores. Una manera es a travs del Rango de las observaciones, es decir, el valor Mximo y el valor Mnimo de los datos de la poblacin. Entonces, una descripcin mas realista acerca de los seres humanos sera decir que pesan en promedio 70 Kg. y que el rango es de 40 a 120 Kg. (Estos valores son supuestos). Una manera mas precisa de dar idea de la dispersin de valores de una poblacin es a travs de la Varianza o su raz cuadrada, que es la Desviacin

Standard. Vamos a calcular la varianza y la desviacin standard de un nmero pequeo de datos (Una muestra) para ilustrar el clculo. Supongamos que se midi la altura de 10 personas adultas y de sexo femenino, y se obtuvieron los valores siguientes: 165 cm. 163 cm. 171 cm. 156 cm. 162 cm. 159 cm. 162 cm. 168 cm. 159 cm. 167 cm. El promedio de estas observaciones es X =163,2 cm. Si a cada una de las observaciones le restamos el promedio, obtenemos los Residuos: Xi 165 163 171 156 162 159 162 168 159 167
Xi X

1,8 -0,2 7,8 -7,2 -1,2 -4,2 -1,2 4,8 -4,2 3,8

Los residuos tambin nos dan una idea de la dispersin de las observaciones individuales alrededor del promedio. Si el valor absoluto (El valor numrico sin el signo) de los residuos es grande, es porque los valores estn muy dispersos. Si el valor absoluto de los residuos es pequeo, significa que las observaciones individuales estn muy cerca del promedio, y por lo tanto, hay poca dispersin. Pero nosotros necesitamos un slo nmero que nos provea informacin acerca de la dispersin de los valores. Si sumamos los residuos, como algunos son positivos y otros negativos, se cancelaran entre si, con lo cual perdemos la informacin acerca de la dispersin. Entonces, los elevamos al cuadrado: Xi 165 163 171
Xi X

(X

1,8 -0,2 7,8

3,24 0,04 60,84

156 162 159 162 168 159 167

-7,2 -1,2 -4,2 -1,2 4,8 -4,2 3,8

51,84 1,44 17,64 1,44 23,04 17,64 14,44

Si ahora sumamos los residuos elevados al cuadrado, tenemos un nmero donde se condensa toda la informacin de la dispersin de la poblacin:
Suma de Cuadrados = X X i

=191,60 cm 2

Este nmero, la suma de cuadrados, es dependiente del nmero de datos N, y por lo tanto no nos sirve para comparar poblaciones con distinto nmero de observaciones. Si dividimos la suma de cuadrados por N, tenemos un nmero que es independiente del nmero de observaciones, que se denomina Varianza:
Suma de Cuadrados Varianza = = N

( X X )
i

En nuestro caso:
Varianza = 191,60 = 19,16 cm 2 10

Las frmulas anteriores son las que se aplican al clculo de la varianza y desviacin standard de una poblacin de datos. Mas adelante veremos que las frmulas a aplicar en el caso de una muestra son ligeramente diferentes. La varianza es un nmero que nos permite comparar poblaciones. Cuando la dispersin de las observaciones es grande (Datos que se alejan mucho por encima y por debajo del promedio), el valor de los residuos (distancia entre cada dato y el promedio) ser grande. Entonces aumenta la suma de cuadrados de los residuos y por lo tanto la varianza. Tambin se utiliza la raz cuadrada de la varianza:
Desviacion Standard = Varianza =

( X X )
i

Por lo tanto:
Desviacion Standard = 19,16 cm 2 = 4,38 cm

La desviacin standard o desviacin tpica tiene las mismas unidades que la variable con la que estamos trabajando, en nuestro caso el centmetro. Tanto la varianza como la desviacin standard nos permiten comparar el grado de dispersin de distintas poblaciones.

Media y Varianza de una Muestra: Hasta ahora hemos visto como se calcula la media o promedio de una poblacin y tambin como se calcula la varianza y la desviacin standard de una poblacin o universo de observaciones. Cuando tenemos una muestra (Subconjunto de algunos datos extrados de una poblacin), tambin podemos calcular su media, su varianza y su desviacin standard. Es muy importante distinguir entre la media, varianza y desviacin standard poblacional, de la media, varianza y desviacin standard muestral. La media, varianza y desviacin standard de una poblacin o universo se denominan parmetros de la poblacin y en general se designan con letras griegas: para la Media, 2 para la Varianza y para la Desviacin Standard poblacionales. En el caso de una muestra, la media, varianza y desviacin standard se denominan estadsticos y se utilizan letras de nuestro alfabeto: X para la Media, s2 para la Varianza y s para la Desviacin Standard muestrales. El clculo de la varianza y la desviacin standard de una muestra de n observaciones se realiza con una frmula levemente diferente que la ya vista para la varianza y desviacin standard de una poblacin:

( X X ) Varianza =
i

n 1

Desviacion Standard = Varianza =

( X X )
i

n 1

En lugar de dividir por n, el nmero total de observaciones en la muestra, dividimos por n - 1. Este valor, n - 1, son los Grados de Libertad de la muestra. En general, cuando tenemos una muestra de n observaciones, se dice que la misma tiene n - 1 grados de libertad. La media, varianza y desviacin standard de una muestra, en general, no van a coincidir con los mismos parmetros de la poblacin de la cual se extrajo la muestra (Aunque usemos la misma frmula para calcular la varianza muestral y poblacional). Si extraemos n muestras de una poblacin, vamos a obtener n promedios muestrales distintos del promedio de la poblacin y n varianzas muestrales distintas de la varianza de la poblacin. Esto se debe a que una poblacin o universo tienen un nmero muy grande de datos, mientras que una muestra son slo algunos pocos datos extrados de ese universo. Cuando sacamos una segunda, tercera, ... etc. muestras, los datos extrados no tienen por que ser los mismos que en la primer muestra. Por lo tanto, el promedio y la varianza de las muestras van a ser distintos entre s, y distintos de la media y la varianza de la poblacin de la cual se extrajeron las muestras.

Muestreo Aleatorio: En general, no es posible disponer de todas las observaciones de un universo o poblacin, ya sea porque es un universo hipottico o porque el relevamiento de todos los datos resulta una tarea excesiva para nuestras posibilidades. Normalmente se dispone de una muestra de datos extrados de un universo, y lo que se pretende es estimar (Conocer de manera aproximada) los parmetros del universo por medio de clculos realizados sobre la muestra. En este sentido decimos que la media muestral es una estimacin de la media del universo, y que la varianza y desviacin standard muestrales son estimaciones de la varianza y desviacin standard poblacionales respectivamente. Veamos algunos ejemplos. Supongamos que un partido poltico necesita averiguar la cantidad de personas que estn dispuestas a votar por su candidato. Entonces, encarga a una empresa la realizacin de una encuesta el da previo a las elecciones. El encargado de la encuesta podra pensar en consultar la intencin de voto de toda la poblacin de votantes (Mas de 18 millones en la Argentina). Esto, obviamente, es una tarea excesiva que por distintas razones no se puede realizar. Entonces, el camino que resta es tomar una muestra representativa de esa poblacin de personas y consultar la intencin de voto en esa muestra. Los resultados que se obtengan son solamente una estimacin del resultado que se hubiera obtenido si la consulta se hubiera efectuado sobre toda la poblacin de votantes. Ahora bien Cmo se obtiene una muestra representativa? Para tratar de entenderlo, vamos a trabajar con una poblacin de muy pocos datos. Supongamos que nuestra poblacin son 10 bolillas con los siguientes nmeros: 2, 2, 9, 5, 2, 2, 9, 2, 2, 5 si ordenamos las bolillas de menor a mayor: 2, 2, 2, 2, 2, 2, 5, 5, 9, 9 inmediatamente comprobamos que nuestra poblacin consta de 6 dos, 2 cincos y 2 nueves: Dato Frecuencia 2 5 9 6 2 2

El promedio de la poblacin es 4. Supongamos que queremos obtener una muestra de 5 elementos de esa poblacin. Hay varias maneras de hacerlo. Supongamos que puedo ver los nmeros y elijo 2, 2, 2, 2 y 5 porque me gustan esos nmeros. El promedio de estos 5 nmeros extrados de la poblacin es 2,6

que difiere sustancialmente del promedio de la poblacin. Es evidente que dicha muestra no es representativa de la poblacin de la que fue extrada. No se mantiene la misma proporcin de cada nmero que existe en la poblacin. Una muestra de 5 elementos en la que hay la misma proporcin de cada dgito debera tener 3 dos, 1 cinco y 1 nueve, y su promedio es 4, el mismo de la poblacin. En una poblacin de muchos datos, no es posible obtener una muestra eligiendo cada elemento para que figure en la misma proporcin que en la poblacin, porque para ello deberamos disponer de todos los datos de la misma, y en ese caso no sera necesario sacar una muestra. Si a cada elemento de la poblacin se le da la misma oportunidad de ser elegido, entonces se supone que cada nmero estar en la muestra en un nmero proporcional a la cantidad de veces que est en la poblacin. Por ejemplo, el 2 va a estar en la muestra mas veces que el 5, porque en la poblacin hay 6 dos y slo 2 cincos. Si metemos las diez bolillas en una bolsa y las mezclamos suficientemente, la probabilidad que tiene una bolilla de ser extrada es la misma para cualquiera de las bolillas. En esas condiciones, si sacamos cinco bolillas sucesivas, mezclndolas previamente en cada oportunidad, es razonable pensar que vamos a extraer el 2 en mas oportunidades que el 5 el 9. Esta forma de obtener la muestra es lo que se conoce como Muestreo Aleatorio. El muestreo aleatorio no garantiza que la muestra va a ser exactamente representativa de la poblacin, pero al eliminar toda influencia externa en el acto de extraer un elemento de la poblacin, la proporcin de cada elemento en la muestra estar influda slo por la cantidad de veces que est presente en la poblacin de la cual se extrae la muestra. Entonces, realizando el muestreo en forma aleatoria (al azar), la probabilidad de obtener una muestra representativa de la poblacin es mayor que si en la eleccin de los elementos de la muestra interviene la voluntad del que efecta la operacin o algn otro factor de influencia. Funciones Estadsticas del EXCEL: El EXCEL dispone de un conjunto muy completo de funciones que permiten realizar clculos estadsticos. Estas funciones pueden utilizarse a travs de 2 caminos. El primero consiste en ingresar la funcin en la barra de frmulas, junto con los parmetros apropiados para el caso. El segundo camino es utilizar el asistente para funciones, el cual presenta una ventana para guiar al usuario en el ingreso de los parmetros necesarios. Vamos a ejemplificar ambos mtodos con la funcin PROMEDIO. Supongamos que tenemos 5 nmeros en el rango de celdas A1:A5 cuyo promedio deseamos obtener:

En primer trmino, nos situamos en la celda en la cual queremos colocar el promedio, en este caso, la celda A7. A continuacin, tipeamos en la Barra de Frmulas el signo igual, el nombre de la funcin, y entre parntesis los parmetros necesarios, en este caso el rango A1:A5. Luego, con el mouse hacemos clic en el Cuadro de Introduccin o presionamos ENTRAR. El promedio de los valores numricos que se encuentran en el rango A1:A5 aparecer en la celda A7:

Si queremos utilizar el asistente para funciones, hacemos clic en el botn correspondiente al mismo y aparecer una ventana para elegir la funcin que deseamos: Con el mouse hacemos clic en Estadsticas y luego doble clic en PROMEDIO. En el paso siguiente aparecer una ventana para ingresar los parmetros de la funcin:

Ingresamos el rango donde estn los valores, A1:A5 y hacemos clic en el botn Aceptar, con lo cual aparece el promedio calculado en la celda A7. Vamos a ver ahora como hacer para calcular una distribucin de frecuencias a partir de un conjunto de observaciones. El Excel posee una funcin, que se llama FRECUENCIA, la cual genera una tabla con la distribucin de frecuencias. Se trata de un funcin matricial, por lo que su forma de trabajar es diferente de las funciones comunes del Excel. Para ilustrar su uso, vamos a recurrir nuevamente a un ejemplo. Supongamos que tenemos un conjunto de datos en el rango A2:C11:

En una columna adicional construmos una serie de intervalos que cubran aproximadamente desde el valor mnimo hasta el valor mximo de nuestra poblacin de datos. En nuestro caso, construmos intervalos de 5 unidades, desde 65 hasta 90 y los colocamos en el rango E2:E8. Luego seleccionamos con

el Mouse un rango de celdas en la columna de la derecha, junto a los intervalos, pero con una celda ms (F2:F9). A continuacin, tipeamos en la barra de frmulas el signo igual, el nombre de la funcin FRECUENCIA y dentro de parntesis el rango donde estn los datos de la poblacin (A2:C11) y el rango de los intervalos (E2:E8), separados por punto y coma.

Una vez hecho esto, se mantienen oprimidas simultneamente las teclas SHIFT y CTRL, y luego se oprime ENTER. En el rango de celdas seleccionadas aparecer la distribucin de frecuencias de la poblacin. En la barra de frmulas, la funcin aparece encerrada entre 2 llaves, debido a que se trata de una funcin matricial. Si se desea borrar la distribucin de frecuencias, se deben seleccionar todas las celdas (F2:F9) y oprimir la tecla DELETE.

La funcin Frecuencia cuenta el nmero de observaciones menores o iguales que 65, mayores que 65 y menores o iguales que 70, etc. La celda adicional es para registrar el nmero de observaciones mayores que 95, que en este caso es 0. Las funciones VAR y VARP permiten calcular la varianza de una muestra y la varianza de una poblacin respectivamente (Recordar la diferencia entre ambas frmulas). Las funciones DESVEST y DESVESTP calculan la desviacin standard de una muestra y la desviacin standard de una poblacin. La funcin DESVIA2 sirve para calcular una suma de diferencias entre el promedio de un conjunto de observaciones y las observaciones individuales, elevadas al cuadrado. Esta suma de cuadrados dividida por el nmero de grados de libertad nos da la varianza.