REPÚBLICA BOLIVARIANA DE VENEZUELA.

MINISTERIO DEL PODER POPULAR PARA LA

EDUCACIÓN UNIVERSITARIA
INSTITUTO UNIVERSITARIO POLITÉCNICO
” SANTIAGO MARIÑO”

PORLAMAR – NUEVA ESPARTA

ESTADÍSTICA

MEDICIONES
2do corte – 10%

REALIZADO:
ANDREA SALAZAR. C.I: 30.399.592.
DANIEL GUAIQUIRIAN C.I: 30998455
ANA PAULA FIGUEROA C.I: 31993475
DOCENTE:
ELVYS DÍAZ

Porlamar 13 de junio de 2024

 INDICE

Introducción ........................................................................................................... 3
Concepto e importancia de las medidas de tendencia central.............................. 4
Concepto e importancia de las medidas de posición ............................................ 6
Concepto e importancia de las medidas de dispersión ......................................... 8
Concepto e importancia del coeficiente de asimetría de Pearson ........................ 9
Importancia del Coeficiente de Asimetría de Pearson ........................................ 10
Concepto del Coeficiente de Asimetría de Fisher ................................................ 10
Importancia del Coeficiente de Asimetría de Fisher ............................................ 11
Concepto del Coeficiente de Asimetría de Bowley .............................................. 11
Importancia del Coeficiente de Asimetría de Bowley. ......................................... 12
Cálculo, aplicación e interpretación de los Coeficientes de Asimetría de la fórmula
derivada de Pearson. ........................................................................................................ 12
Reflexiónes personales ........................................................................................ 13
Conclusión ............................................................................................................ 15
Referencias........................................................................................................... 16

2
 Introducción
La estadística resulta de suma importancia en diferentes ámbitos de
la vida científica, pero también cotidiana. Si nos detenemos a reflexionar
sobre nuestro día a día, recordaremos que de manera constante estamos
utilizando connotaciones que en otras palabras se podrían reflejar como
frecuencias. A modo de ejemplo, citaremos algunas de las siguientes: "Voy
a tener un gran congestionamiento porque la Av. 4 de Mayo estará cerrada"
- "La inflación subió horriblemente" - "Estuve corriendo por un camino de 4
kilómetros, la verdad que no me di cuenta el tiempo que pasó". Lo que
estamos realizando, por ejemplo, en la primera oración es inferir una
particularidad del presente caso, fundamentado en un universo previo,
cuyas condiciones allí cambiaron: los viales permitirán determinado número
de carros circulando bajo cierto protocolo. ¿Acaso no se parecerá lo que
ocurre con el estudio estadístico que consta en la toma de muestras de un
gran conjunto para generalizar conclusiones? ¿En la búsqueda del
conocimiento científico no se realizan durante años investigaciones en
ciertas áreas para detectar ciertos patrones de comportamiento o
desempeño para después extraer conclusiones aplicables a la conducta en
cuestión?

3
 Concepto e importancia de las medidas de tendencia central.
Medida de tendencia central, en estadística, valores que se utilizan
para describir una serie de datos. El valor que mejor representa a la serie,
en un sentido lógico, es el valor alrededor del cual la serie se encuentra
más concentrada; ese valor será el centro de la concentración. Por este
motivo, a las medidas de tendencia central también se las llama medidas
de centralización de una serie de datos.
Las medidas de tendencia central son estadísticos que resumen la
información y muestran las características numéricas más importantes de
los datos. La idea general es resumir o condensar la información de las
variables para luego poder compararlas. Análogamente, se pueden
diferenciar medidas de dispersión, de simetría, de forma y de dependencia.

La importancia de estas medidas radica en que proveen de un

estimador del parámetro poblacional. Así, con un buen estimador, es
posible estimar el valor correspondiente en la muestra de cada una de estas
medidas. Si bien algunos de los miembros de la muestra pueden presentar
alguna valoración distinta a la que se estima poblacional, esta valoración
no estará alejada de los supuestos poblacionales. Si bien cada medida es
útil en determinadas circunstancias, es importante analizar el mismo tema
de manera multidimensional y complementada. Es especialmente
importante en este momento mencionar, con los datos analizados, las
extremidades de la población. Los individuos pueden ser centrales, generar
cambios, afectar su forma, afectar su simetría, ser dependientes o no de
una forma empírica.

- Media aritmética (en breve, media) - Mediana - Moda.

4
 Cálculo y aplicación de la media aritmética, promedio
geométrico, la moda y la mediana.

Media (Media Aritmética):

La media es el valor promedio obtenido al sumar todos los datos y dividir

entre la cantidad de datos.

Fórmula: Media=∑xi/n

• Ejemplo:

Datos: 11, 5, 7, 7

Media: 11+5+7+7/5=6

Mediana:

La mediana es el valor que ocupa la posición central cuando los datos están
ordenados en orden creciente o decreciente.

Si la cantidad de datos es impar, la mediana es el valor del centro.

Si la cantidad de datos es par, la mediana es el promedio de los dos valores

centrales.

• Ejemplo:
Datos: 11, 5, 7, 7
Ordenados: 5, 7, 7, 11
Mediana: Me=7

Moda:

La moda es el valor que más se repite en el conjunto de datos.

• Ejemplo:
Datos: 11, 5, 7, 7
Moda: Mo=7 (ya que se repite dos veces)

5
 Concepto e importancia de las medidas de posición
Las medidas de posición son estadísticas que nos ayudan a
entender la distribución de un conjunto de datos. Estas medidas nos
permiten identificar dónde se encuentra el valor central de un conjunto de
datos y cómo se distribuyen los valores alrededor de este punto central.
Algunas de las medidas de posición más comunes son la media, la mediana
y la moda.
La media es el promedio aritmético de un conjunto de datos,
mientras que la mediana es el valor que se encuentra en el centro de un
conjunto de datos ordenados de menor a mayor. Por otro lado, la moda es
el valor que aparece con mayor frecuencia en un conjunto de datos. Estas
medidas nos dan una idea clara de dónde se concentran los valores de un
conjunto de datos y nos ayudan a entender su distribución.
La importancia de las medidas de posición radica en su
capacidad para resumir la información contenida en un conjunto de datos y
proporcionar una visión general de su distribución. Esto es fundamental
para tomar decisiones informadas en diversos campos, como la
investigación científica, el análisis financiero y la planificación empresarial.
Además, estas medidas nos permiten comparar diferentes conjuntos de
datos y evaluar su similitud o diferencia en términos de su distribución.

Tipos de medidas de posición:

1. Media: Es el promedio aritmético de un conjunto de datos. Se
calcula sumando todos los valores y dividiendo el resultado entre el número
total de valores. Es sensible a los valores extremos.

2. Mediana: Es el valor que se encuentra en el centro de un conjunto

de datos ordenados de menor a mayor. Para calcularla, es necesario
ordenar los datos y seleccionar el valor central. La mediana es menos
sensible a los valores extremos que la media.

6
 3. Moda: Es el valor que aparece con mayor frecuencia en un
conjunto de datos. Puede haber una moda (un valor que se repite más que
cualquier otro), ninguna moda (si todos los valores tienen la misma
frecuencia) o múltiples modas (si hay varios valores que se repiten con la
misma frecuencia máxima).

Cálculo y aplicación a partir de series simples y agrupadas de

las medidas de posición:
El cálculo de las medidas de posición se puede realizar tanto en
series simples como en series agrupadas. En una serie simple, se dispone
de los valores individuales del conjunto de datos, mientras que, en una serie
agrupada, los datos se presentan en forma de intervalos o clases.
Para calcular la media en una serie simple, se suman todos los
valores y se dividen entre el número total de valores. En una serie
agrupada, se utiliza la fórmula de la media ponderada, donde se multiplica
cada valor por su frecuencia y se suman estos productos, dividiendo luego
por el número total de observaciones.
La mediana en una serie simple se obtiene ordenando los valores
y seleccionando el valor central (o el promedio de los dos valores centrales
si hay un número par de observaciones). En una serie agrupada, se utiliza
la fórmula para hallar la mediana en intervalos, que implica encontrar la
clase mediana y aplicar una fórmula específica.
La moda en series simples se obtiene identificando el valor que
aparece con mayor frecuencia. En series agrupadas, se busca la clase
modal, es decir, el intervalo con mayor frecuencia, y se aplica una fórmula
para obtener una estimación de la moda.
Las medidas de posición son fundamentales para comprender la
distribución de un conjunto de datos y tienen aplicaciones en diversos
campos como la investigación científica, el análisis financiero, la
planificación empresarial y otros ámbitos donde se requiere comprender la
distribución y tendencias de los datos.

7
 Concepto e importancia de las medidas de dispersión
Las medidas de dispersión son estadísticas que nos indican
cómo se dispersan los valores alrededor del punto central de un conjunto
de datos. Algunas de las medidas de dispersión más comunes son el rango,
la desviación estándar y la varianza.
El rango es la diferencia entre el valor máximo y el valor mínimo
de un conjunto de datos, lo que nos da una idea de la amplitud total de la
distribución. La desviación estándar y la varianza nos indican cuánto se
alejan los valores individuales del valor central, proporcionando información
sobre la variabilidad o dispersión de los datos.
La importancia de las medidas de dispersión radica en su
capacidad para proporcionar una comprensión más completa de la
distribución de un conjunto de datos. Estas medidas nos permiten evaluar
la consistencia o variabilidad de los valores, lo que es crucial para la toma
de decisiones en áreas como el control de calidad, la gestión de riesgos y
la investigación científica.

Cálculo y aplicación a partir de series simples y agrupadas de las

medidas de dispersión:
1. Rango: Para calcular el rango, simplemente resta el valor máximo
del conjunto de datos al valor mínimo.
2. Desviación estándar y varianza: Primero, calcula la media
aritmética de los datos. Luego, resta la media a cada valor para obtener las
desviaciones. Después, eleva al cuadrado cada una de las desviaciones y
calcula la media de estos cuadrados para obtener la varianza. Finalmente,
la desviación estándar es la raíz cuadrada de la varianza.
3. Coeficiente de variación: Divide la desviación estándar entre la
media y multiplica por 100 para obtener el coeficiente de variación en forma
de porcentaje.

Para una serie agrupada (datos agrupados en intervalos), los

cálculos son un poco más complejos, pero siguen un proceso similar.

8
Primero, necesitas calcular la media y luego realizar los cálculos
correspondientes para obtener la desviación estándar, la varianza y el
coeficiente de variación.
La aplicación de estas medidas de dispersión es fundamental en
el análisis de datos. Por ejemplo, en el ámbito financiero, la desviación
estándar se utiliza para medir el riesgo asociado a un activo o cartera de
inversión. En la investigación científica, estas medidas son útiles para
entender la variabilidad de los datos recopilados en un estudio. En
resumen, las medidas de dispersión proporcionan información valiosa
sobre la dispersión y variabilidad de los datos, lo que es crucial para la toma
de decisiones informadas en una amplia gama de campos.

Concepto e importancia del coeficiente de asimetría de

Pearson
El coeficiente de asimetría de Pearson, también conocido simplemente
como coeficiente de asimetría, es una medida estadística que indica la simetría de
la distribución de datos. Se calcula a partir de la diferencia entre la media (μ) y la
moda (Mo), dividiendo este valor por la desviación estándar (σ). La fórmula es la
siguiente: Asimetría= (μ - moda) / σ. Este coeficiente puede ser positivo, negativo,
o cero:
• Si es positivo, indica que la cola derecha de la distribución es más
larga, lo que sugiere una concentración de valores hacia la izquierda
y una dispersión mayor hacia la derecha.
• Si es negativo, la cola izquierda es más larga, lo que implica una
concentración de valores hacia la derecha y una dispersión mayor
hacia la izquierda.
• Si es cero, sugiere que la distribución es simétrica.

9
 Importancia del Coeficiente de Asimetría de Pearson.
La importancia del Coeficiente de Asimetría de Pearson radica en su
capacidad para proporcionar información sobre la forma y la distribución de los
datos. Al analizar la asimetría de una de distribución, se puede comprender mejor
la concentración de los valores alrededor de la media y detectar posibles sesgos
en los datos. Esta medida es fundamental para evaluar la simetría de una
distribución y comprender la dispersión de los datos en relación con la media.
Comprender la asimetría de Pearson es crucial para una correcta
interpretación de los datos y para tomar decisiones informadas sobre cómo
analizar y trabajar con los datos, especialmente en campos como la economía, la
psicología, la biología y la sociología.

Concepto del Coeficiente de Asimetría de Fisher.

El coeficiente de Asimetría de Fisher, también conocido como asimetría
de Fisher, es una medida estadística que evalúa el grado de simetría en la
distribución de una variable aleatoria. A diferencia del coeficiente de Pearson, que
se basa en la medida y en la moda, el coeficiente de Fisher utiliza momentos de
los datos para su cálculo. La fórmula para calcular el coeficiente de asimetría de
Fisher es: Asimetrí de Fisher= E[(X - μ)3/ σ3.

Donde:
• ( E[(X - \mu)^3] ) es el tercer momento central o la esperanza
matemática del cubo de las desviaciones de ( X ) respecto a su
media ( \mu ).
• ( \sigma ) es la desviación estándar de ( X ).

El valor puede ser:

• Positivo: indica una distribución con una cola más larga hacia la
derecha.
• Negativo: indica una distribución con una cola más larga hacia la
izquierda.
• Cero: indica una distribución simétrica.

10
 Importancia del Coeficiente de Asimetría de Fisher.
La importancia del coeficiente de asimetría de Fisher radica en su
capacidad para detectar la presencia de asimetría en una
distribución de datos. Esto es especialmente relevante en estadística
inferencial, donde la asimetría puede afectar la validez de ciertas
pruebas estadísticas que asumen normalidad. Además, ayuda a
comprender la naturaleza de la distribución de los datos, lo cual es
crucial para la toma de decisiones y la interpretación de resultados
en investigaciones y análisis estadísticos.
“El Coeficiente de Asimetría de Fisher, introducido en 1930,
refleja la esencia de la distribución; su signo nos guía hacia
la cola más pesada.” - Ronald A. Fisher.

Concepto del Coeficiente de Asimetría de Bowley.

El coeficiente de asimetría de Bowley, también conocido como
sesgo de Bowley, es una medida estadística que se utiliza para
determinar si una distribución de datos es simétrica o tiene un sesgo
positivo o negativo. A diferencia de otros coeficientes de asimetría,
el de Bowley se basa en la posición de los cuartiles y la mediana de
la distribución, en lugar de la media y la moda. La fórmula para
calcular el Coeficiente de Asimetría de Bowley es: Sesgo de Bowley=
(Q3+ Q1 –2Q2)/(Q3-Q1).
Donde:
• ( Q_1 ) es el primer cuartil.
• ( Q_2 ) es la mediana o segundo cuartil.
• ( Q_3 ) es el tercer cuartil.

El valor resultante puede interpretarse de la siguiente manera:

• Cero: indica que la distribución es simétrica.
• Mayor que cero: indica una asimetría positiva, con una cola
más larga hacia la derecha.
• Menor que cero: indica una asimetría negativa, con una cola
más larga hacia la izquierda

11
 Importancia del Coeficiente de Asimetría de Bowley.
La importancia del coeficiente de asimetría de Bowley radica en su utilidad
cuando no se dispone de la media o la moda, pero sí de los cuartiles. Es
especialmente útil en situaciones donde hay valores extremos (outliers) o
distribuciones abiertas. Además, permite una interpretación más directa de la
asimetría en las unidades de la distribución, a diferencia de otros coeficientes que
proporcionan resultados adimensionales.
“La estadística es una herramienta poderosa para analizar
datos y tomar decisiones informadas en diversos campos, desde la
investigación científica hasta la toma de decisiones empresariales”
(Smith, 2020, p. 75).

Cálculo, aplicación e interpretación de los Coeficientes de

Asimetría de la fórmula derivada de Pearson.
La fórmula derivada de Pearson se refiere a una variante del coeficiente
de asimetría de Pearson que utiliza la mediana en lugar de la moda que es una
medida diferente y se utiliza para evaluar la relación lineal entre dos variables
cuantitativas. Su fórmula es: Asimetría derivada de Pearson= 3(μ - Moda)/ σ.
Donde:
( \mu ) es la media, ( Md ) es la mediana y ( \sigma ) es la desviación
estándar.
Esta se utiliza para obtener una medida de asimetría que sea menos
sensible a valores extremos y que no dependa de la existencia de una moda bien
definida. La interpretación de los valores es la misma que la del coeficiente de
asimetría original de Pearson, donde un valor positivo indica asimetría hacia la
derecha, un valor negativo indica asimetría hacia la izquierda, y un valor de cero
indica simetría.
“Pearson nos enseña que la asimetría, definida en 1895, es la
distancia entre la moda y la media, dividida por la dispersión.” -
Karl Pearson.

12
 Reflexiónes personales

(ANA FIGUEROA)
Las mediciones en estadística revelan la complejidad y diversidad
de los datos, permitiendo comprender la distribución y variabilidad de las
observaciones. Las medidas de tendencia central ofrecen un punto de
referencia para entender la ubicación típica de los datos, mientras que las
medidas de posición indican la posición relativa de un valor en relación con
el resto de la muestra. Por otro lado, las medidas de dispersión revelan la
amplitud y dispersión de los datos, proporcionando información crucial
sobre su variabilidad.
Los coeficientes de asimetría de Pearson, Bowley y Fisher son
herramientas poderosas que permiten evaluar la simetría o sesgo en la
distribución de los datos, proporcionando insights sobre su forma y
distribución. Su importancia radica en su capacidad para detectar patrones
no evidentes a simple vista, enriqueciendo así el análisis estadístico y
facilitando la interpretación de los datos de manera más profunda y precisa.

(ANDREA SALAZAR)
La estadística es la ciencia de la incertidumbre y, por lo tanto, cuando
tomamos una decisión debería estar basada en hechos y no en
presunciones. La estadística no viola las reglas del razonamiento: las
supone distintas. La excepción a los resultados aleatorios, raramente con
cierto valor se ha dado el nombre de "sesgo" y el que haya sea el menor
posible. La diferencia entre predecir y explicar lo ocurrido ha dado, en
estadística, el nombre de alea, a la incertidumbre substancial y de error a
la meramente instrumental. Recuerdo a Popper, cuando decía que tiene
importancia científica una teoría, no para que sea probada, sino para que
lo sea refutada.

13
 (DANIEL GUAIQUIRIAN)
Finalmente, haciendo uso de los conceptos desarrollados, se reconoce
que las medidas de tendencia central constituyen, sin duda alguna, un importante
insumo de la inferencia estadística; la locación de bienes escasos de la amplia
gama de aspectos de la vida que puedan ser sometidos a una medición, resulta
del sector más restricto de la investigación empírica. En particular, se ha sub-
rayado la importancia de la aplicación de los conceptos de tendencia central en
las investigaciones de mercadeo e investigación operativa; en todas estas
tendencias, en últimas, se trata de medir magnitudes heterogéneas.

14
 Conclusión
Una buena comprensión de los conceptos estadísticos asociados a la toma
de decisiones (p, M, σ, μ, X) permite efectuar generalizaciones fundadas en una
información obtenida en una porción de población (muestras finitas o infinitas) y
no intenta ser exhaustivo (puesto que hay tantos conceptos en estadística que
muchos caerían en la redundancia), pero sí mostrar la base de conceptos
esenciales: variable (incluyendo los tipos de variable). Polígono de frecuencias en
estadística, la distribución normal y el cálculo de la probabilidad del porcentaje de
población (o muestras finitas) que caen por encima y por debajo de ciertos puntos
de corte. Muestra y población, la variabilidad de estas y formas gráficas de
representarlas.

"En la sociedad actual, la estadística es un saber que deben

poseer todos. El papel que la estadística desempeña dentro de cada
profesión es diferente; la estadística, sin perder su esencia, adquiere
la forma de la profesión que la contiene." (Muñoz, 2007: 42).

15
 Referencias
Adams, Joe Kennedy. Conceptos Estadística Bàsica. Nueva York: McGraw
Hill Book, 1955.
Freedman, David. Statistics. Nueva York: W. W. Norton, 2007.
Triola, Mario. Estadística. México: Pearson Educación, 2008.

16