Lectura 3 - Medidas de Tendencia Central y Dispersión

Medidas de tendencia central
Medidas de dispersin
Sesgo y asimetria
Grafico de cajas - Boxplot
Comparacin de distribuciones
Estadstica descriptiva: Tendencia central y

dispersin
Giancarlo Sal y Rosas
Departmento de Ciencias
Pontificia Universidad Catlica del Per
October 31, 2015
EST 103
Estadstica descriptiva

Sesgo y asimetria
Outline
Sesgo y asimetria
EST 103

Sesgo y asimetria
En el histograma del ejemplo anterior, cul seria el

consumo tpico de electricidad que una familia tiene ?
Esta entre 350 y 400 kWh
Sin embargo si la distribucin de los datos tiene varios

picos (quiere decir multimodal), no es tal facil dar una
respuesta.
EST 103

Sesgo y asimetria


respuesta.
EST 103

Sesgo y asimetria


respuesta.
EST 103

Sesgo y asimetria
Mediana
Informal: Es el valor que esa "literalmente" en el medio de
los datos.
Formal: Esl el valor que es mayor o igual que el 50% de
los datos. Matemticamente esta definido por
X((n+1)/2)
, n es impar
Xmed =
X
+ X(n/2+1)
(n/2)
, n es par
2
donde n es el nmero total de dato y X(i) representa el
dato que esta en la posicin "i-sima"
EST 103

Sesgo y asimetria
En el problema de consumo de electricidad, los datos

ordenados son:
300
430
466
497
531
355
432
468
501
555
372
432
469
502
567
384
438
477
508
577
392
439
478
509
580
398
452
481
520
589
403
457
484
521
596
415
459
488
522
617
425
462
488
525
620
426
464
493
525
650
Dado que el nmero de datos es par (n=50), la mediana esta

definida por
Xmed =
X(25) + X(26)
= (478 + 481)/2 = 479, 5
2
Interpretacin: El 50% de hogares entrevistados tienen un

consumo de electricidad menor o igual a 480 kWh.
EST 103

Sesgo y asimetria
En el problema de pacientes con tuberculosis, los datos

ordenados son:
1
1
2
3
4
5
6
7
1
2
2
3
4
5
6
7
1
2
2
3
4
5
6
8
1
2
2
3
4
5
6
8
1
2
3
3
4
5
6
12
1
2
3
3
4
5
7
12
1
2
3
3
4
5
7
13
1
2
3
4
4
6
7
14
1
2
3
4
5
6
7
16
1
2
3
4
5
6
7
Dado que el nmero de datos es impar (n=79), la mediana esta

definida por
Xmed = X((79+1)/2) = X(40) = 4
Interpretacin: El 50% de pacientes del estudio viven como
mximo con 4 personas en casa.
EST 103

Sesgo y asimetria
Algunas propiedades de la mediana son:

El 50 % de los datos es menor o igual a la mediana
La mediana se calcula solo tomando en cuenta el (los)
valor(es) central(es).
La mediana no es fuertemente afectado por valores
atpicos 1
Si Yi = a + bXi , donde a y b son constantes. Entonces
Ymed = a + bXmed
Valores extremadamente pequeos o extremadamente grandes

EST 103

Sesgo y asimetria
Ejercicio
Consumo de celular (en minutos) de 43 personas que usan
servicio pre pago de Telefonica en un determinado mes
198
187
150
181
143
150
179
103
175
119
129
110
194
117
179
179
109
142
165
198
156
108
139
180
151
190
134
131
148
181
167
139
138
115
155
139
181
101
121
165
167
108
106
110
Si el costo de llamada por minuto es de S/.0,49. Cul es

la mediana de costo mensual del servicio para las persona
encuestadas?.
Sea X el consumo (en minutos) y sea Y el costo mensual
por ese consumo. Entonces Y = 0, 49X
EST 103

Sesgo y asimetria
Los 43 datos (n = 43) ordenados son

101
119
143
167
190
103
121
148
175
194
106
129
150
179
198
108
131
150
179
108
134
151
179
109
138
155
180
110
139
156
181
110
139
165
181
115
139
165
181
117
142
167
187
La mediana de consumo (Xmed ) es

Xmed = X(43+1)/2 = X(22) = 148
La mediana de los costos es
Ymed = 0, 49 Xmed = S/.72, 52
Interpretacin: El 50% de personas encuestadas tienen un
gasto mensual (en su servicio pre pago) menor o igual a
S/.72,52 soles.
EST 103

Sesgo y asimetria
Media
En el caso los datos sean medianamente simtricos, la
media es otra alternativa para describir el "dato tpico"
Formal: Es la suma de todos los datos dividido por el total
, entonces
de datos. Se le suele denotar por X
n
X
1
=1
X
Xi = (X1 + X2 + + Xn1 + Xn )
n
n
i=1
Es un valor representativo, debido a que es el centro de

gravedad o punto de equilibrio de un conjunto de
observaciones.
EST 103

Sesgo y asimetria
Algunas propiedades de la media son:

La media se calcula tomando en cuenta todos los datos.
La media podria ser fuertemente afectado por valores
atpicos 2
Dado el conjunto de datos X1 , X2 , . . . , Xn
La suma de las desviaciones de los datos con respecto a la
media es igual a cero:
n
X
) = 0
(Xi X
i=1

= a + bX
Y
2

EST 103

Sesgo y asimetria
En el problema de consumo de electricidad, los datos son:

300
430
466
497
531
355
432
468
501
555
372
432
469
502
567
384
438
477
508
577
392
439
478
509
580
398
452
481
520
589
403
457
484
521
596
415
459
488
522
617
425
462
488
525
620
426
464
493
525
650
Dado que son 50 datos, la media esta definida por

50
X
1
= 1
X
Xi =
(300 + 355 + + 650) = 482, 8
50
50
i=1
Interpretacin: La media del consumo de electricidad en

las casas es de 483 kWh.
EST 103

Sesgo y asimetria
En el problema de pacientes con tuberculosis, los datos son:

1
1
2
3
4
5
6
7
1
2
2
3
4
5
6
7
1
2
2
3
4
5
6
8
1
2
2
3
4
5
6
8
1
2
3
3
4
5
6
12
1
2
3
3
4
5
7
12
1
2
3
3
4
5
7
13
1
2
3
4
4
6
7
14
1
2
3
4
5
6
7
16
1
2
3
4
5
6
7
79
X
1
= 1
X
Xi =
(1 + 1 + + 16) = 4, 4
79
79
i=1
Interpretacin: La media del nmero de personas que viven

con cada paciente es en las casas es 4.
EST 103

Sesgo y asimetria
La moda
Valor, clase o categoria que ocurre con mayor frecuencia

en un conjunto de datos.
Un conjunto de datos puede no tener, tener una, o mas de
una moda.
No esta afectada por valores extremos
Es la unica medida de tendencia central valida para datos
cualitativos nominales
EST 103

Sesgo y asimetria
Recordando los datos en el estudio de tuberculosis:

1
1
2
3
4
5
6
7
1
2
2
3
4
5
6
7
1
2
2
3
4
5
6
8
1
2
2
3
4
5
6
8
1
2
3
3
4
5
6
12
1
2
3
3
4
5
7
12
1
2
3
3
4
5
7
13
1
2
3
4
4
6
7
14
1
2
3
4
5
6
7
16
1
2
3
4
5
6
7
Es sencillo ver que este conjunto de datos tiene dos modas: 2

y3
EST 103

Sesgo y asimetria
Cuantiles
Sea X1 , X2 , . . . , Xn un conjunto de datos. Entonces
El cuantile de orden p (0 < p < 1) de este conjunto de
datos es el valor qp tal que el 100p% de los datos son
menores o iguales a este.
Definicin:
qp =
X(dnpe) +X(dnpe+1)
2
, np Z
X(dnpe)
, np
/Z
donde d e es la funcin "techo":

dxe = min {k Z : x k }
EST 103

Sesgo y asimetria
Los cuantiles suelen usarse por grupos:

Los cuartiles: dividen a los datos en 4 partes iguales, se
denotan por Q1 , Q2 y Q3 que serian los cuantiles 0.25,
0.50 y 0.75.
Los deciles: dividen a los datos en 10 partes iguales, se
denotan por D1 , D2 , .... y D9 que serian los cuantiles 0.10,
0.20, ... y 0.90.
Los percentiles: dividen a los datos en 100 partes iguales,
se denotan por P1 , P2 , ... y P99 que serian los cuantiles
0.01, 0.02, ... y 0.99.
Note que se cumple
Xmed = Q2 = D5 = P50
EST 103

Sesgo y asimetria
Recordemos el conjunto de datos de los pacientes con

tuberculosis:
1
1
2
3
4
5
6
7
1
2
2
3
4
5
6
7
1
2
2
3
4
5
6
8
1
2
2
3
4
5
6
8
1
2
3
3
4
5
6
12
1
2
3
3
4
5
7
12
1
2
3
3
4
5
7
13
1
2
3
4
4
6
7
14
1
2
3
4
5
6
7
16
Estamos interesados en:

Los cuartiles 1 y 2: Q1 y Q3
Los deciles 1 y 9: D1 y D9
Los percentiles 5 y 95: P5 y P95
EST 103
1
2
3
4
5
6
7

Sesgo y asimetria
Dado que tenemos 79 datos:

Q1 = q0,25 = X(d0.7579e) = X(d19,75e) = X(20) = 2
Q3 = q0,75 = X(d0.2579e) = X(d59,25e) = X(60) = 6
Interpretacin: El 25% de los participantes encuestados viven
con 2 familiares o menos. El 50% de participantes cohabita
con un nmero que va entre 2 y 6 personas.
D1 = q0,10 = X(d0,179e) = X(d7,9e) = X(8) = 1
D9 = q0,90 = X(d0,979e) = X(d71,1e) = X(72) = 7
Interpretacin: El 10% de los participantes encuestados viven
como mximo con una persona en casa. El 80% de
participantes cohabita su casa con un nmero que va entre 1 y
7 personas.
EST 103

Sesgo y asimetria
Dado que tenemos 79 datos:

P5 = q0,05 = X(d0,0579e) = X(d3,95e) = X(4) = 1
P95 = q0,95 = X(d0,9579e) = X(d75,02e) = X(76) = 12
Interpretacin: El 5% de los participantes encuestados

viven como mximo con una persona en casa. El 90% de
participantes cohabita con un nmero que va entre 1 y 12
personas.
EST 103

Sesgo y asimetria
Algunas propiedades del cuantile qp son:

El 100p % de los datos es menor o igual a la mediana
Se calcula solo tomando en cuenta el (los) valor(es)
cercanos a ese porcentaje.
No es fuertemente afectado por valores atpicos 3
qy p = a + b qx p
donde qxp y qyp son el cuantile p de las variables X e Y ,
respectivamente.
3

EST 103

Sesgo y asimetria
La Varianza
La varianza mide la variabilidad de los valores de un
conjunto de datos con respecto a su media muestral. Esta
se define como:
n
P
S2 =
n
P
)2
(Xj X
j=1
n1
j=1
2
Xj2 nX
n1
La variancia considera el promedio de las distancias,

, al cuadrado.
Xj X
Las unidades de la varianza son las unidades al cuadrado
de la variable original.
EST 103

Sesgo y asimetria
La varianza de los datos para el ejemplo del estudio de

pacientes con tuberculosis es
S2 =
=
(7 4, 4)2 + (2 4, 4)2 + + (4 4, 4)2

79 1
742.3544
= 9, 517
78
Nota: La interpretacin de la varianza es un poco

complicada dado que sus unidades son el cuadrado de las
unidades originales
EST 103

Sesgo y asimetria
Propiedades de la varianza
Se calcula para datos medidos en escala de intervalo o de
razn
Su valor numrico esta expresado en unidades al
cuadrado.
Son sensibles a la existencia de valores atpicos
Supongamos que tenemos los datos X1 , X2 , . . . , Xn y sea
Yi = a + bXi donde a y b son constantes. Entonces
SY2 = b2 SX2
EST 103

Sesgo y asimetria
La desviacin estndar
Definicin: Es la raz cuadrada de la varianza: SX
v
u
n
u 1 X
t
)2
(Xi X
SX =
n1
i=1
Tiene las mismas unidades que los datos originales

Son sensibles a la existencia de datos atpicos (al igual
que la media)
SY = |b|SX
EST 103

Sesgo y asimetria
La desviacin standar de los datos para el ejemplo del

estudio de pacientes con tuberculosis es
p
SX = 9, 517 = 3, 09
Interpretacin:
La variabilidad del nmero de personas que viven con el
participane del estudio, con respecto a su media muestral,
es 3 personas
En promedio, se espera que el nmero de personas que
viven en la casa (con un paciente dado) varie en 3 con
respecto a la media.
EST 103

Sesgo y asimetria
El Rango
Es la distancia entre el valor mnimo y el mximo
R = X(n) X(1)
donde X(n) y X(1) es el valor mximo y mnimo,
respectivamente.
Ejemplo: Considerando los datos de los pacientes con
tuberculosis, el rango es dado por
R = X(79) X(1) = 16 1 = 15
Interpretacin: El nmero de personas que cohabitan con
los pacientes varia entre 1 y 16 (R = 15) personas.
EST 103

Sesgo y asimetria
Propiedades del rango:

razn
Solo usa dos observacin del total.
No es tan sensibles a la existencia de valores atpicos
RY = bRX
donde RY y RX son el rango de Y y X , respectivamente.
EST 103

Sesgo y asimetria
El Rango intercuartl
Definicin: Es la distancia entre el primer y tercer cuartil
RIC = Q3 Q1
Note que entre el primer y tercer cuartil estn contenidas
el 50% de las observaciones, donde hemos descartado el
25% de las observaciones ms grandes y el 25% de las
ms pequeas.
Esta es una medida alternativa al rango que no es
afectada por valores extremos y que puede ser utilizada
incluso en variables cualitativas ordinales
EST 103

Sesgo y asimetria
Ejemplo: Considerando los datos de los pacientes con

tuberculosis, el rango es dado por
RIC = Q3 Q1
= X(60) X(20) = 6 2 = 4
Interpretacin: El 50 % de personas entrevistadas
reporta que comparte su casa con un nmero de personas
qeu va entre 2 y 6
EST 103

Sesgo y asimetria
Propiedades del rango intercuartil:

razn
Se usan parcialmente los datos (no se usa la totalidad).
No es tan sensibles a la existencia de valores atpicos
RICY = a + b RICX
donde RICY y RICX son el rango de Y y X ,
respectivamente.
EST 103

Sesgo y asimetria
Asimetria de Pearson
Es una forma de medir la asimetria de los datos: Este
puede ser positiva, negativa o 0.
Esta definido por

X Xmed
As = 3
SX
La distribucin puede ser:
Simtrica: As 0
Sesgo a la derecha (cola a la derecha): As > 0
Sesgo a la izquierda (cola a la izquierda): As < 0
EST 103

Sesgo y asimetria
X > Xmed
0 500
X Xmed
1500
Frecuencia
200 400 600 800
2500
Sesgo a la izquierda
frecuencia
Simtrica
60
80
100
120
600
200
X < Xmed
Frecuencia
1000
Sesgo a la derecha
10
Figure: Casos de asimetria

EST 103

Sesgo y asimetria
Es una manera eficiente de presentar la distribucin de los

datos y es una gran alternativa a los histogramas.
En estos se puede evaluar la tendencia central (mediana),
dispersin (rango intercuartil) y asimetria (de forma
grafica)
Reglas de construccin:
1. Dibujar un eje vertical que cubra la extensin de los datos.
2. Dibujar lineas horizontales en el primer y tercer cuartil y
conectelas para formar una caja
3. Dentro de la caja, trazar una linea horizontal en el segundo
cuartil (mediana)
EST 103

Sesgo y asimetria
Construccin (continuacin)
4. Construya una linea vertical (imaginaria) superior (Ls) e
inferior (Li):
Ls
= Q3 + 1, 5 RIC
Li
= Q1 1, 5 RIC
5. Dibuje una linea vertical desde la caja hasta

el mximo dato que es menor o igual a Ls
el mnimo dato que es mayor o igual a Li
5. Dibuje una linea horizontal (misma longitud de la caja) en

esos dos puntos definidos en el paso previo.
EST 103

Sesgo y asimetria
Estudio con pacientes con tuberculosis

Recordemos que
Q1 = 2 , Q2 = Xmed = 4 , Q3 = 6
entonces la caja estara entre 2 y 6.
Los limites superiores e inferiores (imaginaro) son
Ls = Q3 + 1, 5 RIC = 6 + 1, 5 (6 2) = 12
Li = Q1 1, 5 RIC = 2 1, 5 (6 2) = 4
Los valores atpicos estan definidos como aquellos que
son mayores que el limite superior o menores que el limite
inferior
EST 103

Sesgo y asimetria
16
14
13
10
5
Nmero de personas que viven en casa
15
Figure: Distribucin del nmero de personas que viven en la casa
EST 103

Sesgo y asimetria
15
10
Nmero de personas que viven en casa
Figure: Distribucin del nmero de personas que viven en la casa
EST 103

Sesgo y asimetria
Interpretacin:
El 50% de personas respondieron que compartian su casa
con 4 personas o menos (Xmed = 4)
El 50% de los datos "centrales" se encuentran entre 2 y 6
(RIC = 44)
Dado que la linea vertical es mucho mas extensa hacia
arriba, la distribucin de los datos presenta una cola hacia
la derecha (asimetria positiva)
Se presentan 3 valores atpicos en nuestros datos: 13, 14
y 16
EST 103
550
500
450
400
300
350
Consumo de electricidad en kWh
600
650

Sesgo y asimetria
Figure: Distribucin del consumo de electricidad
Qu nos puede decir sobre la tendencia central, dispersin y

asimetra de estos datos ?
EST 103

Sesgo y asimetria
Ejemplo: Pacientes con TB
La base de datos "tb" tiene varias variales entre las que

encuentran la variable "edad" (edad de los participantes) y
"sexo" (sexo de los participantes).
Es la distribucin de edades similar entre hombres y
mujeres ?
En base a las medidas de tendencia central ?
En base a las medidas de dispersin ?
En base a la asimetria ?
EST 103

Sesgo y asimetria
Table: Edades de los participantes varones del estudio (n = 43)
26
19
20
78
19
36
82
24
26
20
19
35
29
45
69
19
69
32
39
26
20
22
39
25
54
18
21
37
20
39
27
45
19
19
49
98
24
19
22
64
57
22
23
Table: Edades de las participantes mujeres del estudio (n = 36)
18
42
54
21
18
19
47
21
38
37
21
18
18
23
57
58
37
21
77
31
EST 103
30
18
23
21
18
22
26
19
37
45
30
30
70
34
21
28

Sesgo y asimetria
Algunas estadsticas en hombres son:

Mnimo
18
Q1
20
Xmed
26
n
X
35.23
Q3
42
Mximo
98
Algunas estadsticas en mujeres son:

Mnimo
18
Q1
21
Xmed
27
n
X
31.89
Q3
37.25
Mximo
77
Qu diferencias observan?
Qu grafico considera apropiado para describir las
diferencias y/o similitudes entre estas dos distribuciones ?
EST 103
frecuencia
frecuencia
10
10
12
12
14

Sesgo y asimetria
20
40
60
80
100
Edad en hombres
20
40
60
80
100
Edad en mujeres
Figure: Distribucin de edades por sexo de las personas

considerando intervalos de amplitud 10 aos
EST 103
100
80
80
100

Sesgo y asimetria
60
0
20
40
Edad en mujeres
60
40
0
20
Edad en hombres
Figure: Distribucin de edades por sexo de las personas

EST 103

Sesgo y asimetria
Conclusin:
La mediana es preferible a la media para ambas
distribuciones dado la presencia de asimetria y valores
atpicos. La mediana de edad en hombres es menor que
en mujeres (26 vs. 27)
La distribucin de edades en hombres tiene mayor
dispersin/variabilidad que la de mujeres (RIC: 22 vs. 16)
Ambas distribuciones tiene asimetria positiva (sesgo por la
derecha). Sim embargo la distribucin de los hombres
tiene mayor asimetria (1,38 vs. 0,95).
EST 103

Sesgo y asimetria
Ejercicios adicionales
Se desea evaluar las diferencias en el tiempo que un

paciente esta en hospitales de atencin ambulatoria
(Ejercicio 23, captulo 4, Intro Stats).
Se desea evaluar las diferencias en edades entre
ciudadanos afroamericas y blancos de los Estados Unidos
(Ejercicio 24, captulo 4, Intro Stats).
Se desea evaluar los niveles de colesterol entre personas
que fuman y no fuman (Ejercicio 42, captulo 4, Intro Stats)
EST 103

Lectura 3 - Medidas de Tendencia Central y Dispersión

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Lectura 3 - Medidas de Tendencia Central y Dispersión

Încărcat de

Drepturi de autor:

Formate disponibile

Medidas de tendencia central

Estadstica descriptiva: Tendencia central y

October 31, 2015

Medidas de tendencia central

Medidas de tendencia central

Grafico de cajas - Boxplot

Medidas de tendencia central

En el histograma del ejemplo anterior, cul seria el

Sin embargo si la distribucin de los datos tiene varios

Medidas de tendencia central

En el histograma del ejemplo anterior, cul seria el

Sin embargo si la distribucin de los datos tiene varios

Medidas de tendencia central

En el histograma del ejemplo anterior, cul seria el

Sin embargo si la distribucin de los datos tiene varios

Medidas de tendencia central

Medidas de tendencia central

En el problema de consumo de electricidad, los datos

Dado que el nmero de datos es par (n=50), la mediana esta

Interpretacin: El 50% de hogares entrevistados tienen un

Medidas de tendencia central

En el problema de pacientes con tuberculosis, los datos

Dado que el nmero de datos es impar (n=79), la mediana esta

Medidas de tendencia central

Algunas propiedades de la mediana son:

Valores extremadamente pequeos o extremadamente grandes

Medidas de tendencia central

Si el costo de llamada por minuto es de S/.0,49. Cul es

Medidas de tendencia central

Los 43 datos (n = 43) ordenados son

La mediana de consumo (Xmed ) es

Medidas de tendencia central

Es un valor representativo, debido a que es el centro de

Medidas de tendencia central

Algunas propiedades de la media son:

Si Yi = a + bXi , donde a y b son constantes. Entonces

Valores extremadamente pequeos o extremadamente grandes

Medidas de tendencia central

En el problema de consumo de electricidad, los datos son:

Dado que son 50 datos, la media esta definida por

Interpretacin: La media del consumo de electricidad en

Medidas de tendencia central

En el problema de pacientes con tuberculosis, los datos son:

Interpretacin: La media del nmero de personas que viven

Medidas de tendencia central

Valor, clase o categoria que ocurre con mayor frecuencia

Medidas de tendencia central

Recordando los datos en el estudio de tuberculosis:

Es sencillo ver que este conjunto de datos tiene dos modas: 2

Medidas de tendencia central

donde d e es la funcin "techo":

Medidas de tendencia central

Los cuantiles suelen usarse por grupos:

Medidas de tendencia central

Recordemos el conjunto de datos de los pacientes con

Estamos interesados en:

Medidas de tendencia central

Dado que tenemos 79 datos:

Medidas de tendencia central

Dado que tenemos 79 datos:

Interpretacin: El 5% de los participantes encuestados

Medidas de tendencia central

Algunas propiedades del cuantile qp son: