UNJFSC FLQ Y M

UNIVERSIDAD NACIONAL JOSE FAUSTINO SANCHEZ CARRION

INGENIERIA QUIMICA

TEMA
MEDIDAS CENTRALES Y DISPERCIÓN
(ESTADISTICA APLICADA A LA INGENIERIA)

INVESTIGADORES:
1.-ALEXIS KENTO, KITAMOTO HUAMAN
2.-JUNIOR MARCELINO, ROJAS MORA
3.-ADLER PEDRO, URIBE GODIÑO

DOCENTE:
ING.JAMANCA SUSANIBAR, JOHNNY

HUACHO-PERÚ

2018-0
E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.1
 UNJFSC FLQ Y M

AGRADECIMIENTO:
GRACIAS AL ING. JAMANCA SUSANIBAR, JOHNNY

. Nosotros podemos dar más conocimiento sobre su curso y sobre nuestro

tema de exposición, podemos salir hacia adelante y ser unos buenos
ingenieros químicos en el futuro.

GRACIAS.

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.2

 UNJFSC FLQ Y M

Índice:

I. Introducción de la estadística……………………………………4

II. Mdidas de tendencia central y dispersión para datos simples..8

III. Otras medidas de dispersión: Percentiles y quartiles………..9

IV. Medidas de tendencia central y de dispersión para datos

agrupados…………………………………………………………10

V. Usos frecuentes de la desviación estándar…………………...13

VI. Conclusión…………………………………………………………17

VII. Referencia………………………………………………………….17

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.3

 UNJFSC FLQ Y M

ESTADÍSTICA DESCRIPTIVA

1. Introducción:

La Estadística descriptiva: es la rama de las matemáticas que comprende la recopilación,

tabulación, análisis e interpretación de datos cuantitativos y cualitativos, para tomar decisiones
que se requieran a fin de que el comportamiento de los datos se mantenga dentro de los
parámetros de control establecidos.

 Población (N): Es el conjunto de todos los elementos de interés para determinado

estudio

 Parámetro: Es una característica numérica de la población, se identifica con letras

griegas (Media = µ, Desviación estándar = σ, Proporción = π, Coeficiente de correlación
= ρ)

 Muestra (n): Es una parte de la población, debe ser representativa de la misma.

 Estadístico:Es una característica numérica de una muestra, se identifica con letras

latinas (Media = X, Desviación estándar = s, Proporción = p, Coeficiente de correlación =
r)

La Estadística descriptiva: proporciona un criterio para lograr mejoras, debido a que sus
técnicas se pueden usar para describir y comprender la variabilidad.

La estadística inferencial: se refiere a la estimación de parámetros y pruebas de hipótesis

acerca de las características de la población en base a los datos obtenidos con una muestra.

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.4

 UNJFSC FLQ Y M

2. MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN PARA DATOS

SIMPLES.
Medidas de tendencia central

 Media: ( x ) Es el promedio aritmético de todos los valores que componen el conjunto de

datos. Se calcula mediante la siguiente fórmula:

Para una muestra y para una población se tiene respectivamente:

xi
x
xi

n n

Ejemplo 1: En un equipo de fútbol, una muestra de estaturas de sus integrantes son las
siguientes:

1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.

xi 19
x   1.73
n 11

 Mediana: ( ~x ) Los datos de "n" observaciones son ordenados del más pequeño al más
grande, Si el tamaño de la muestra es "non" la mediana es el valor ordenado en la posición
(n+1)/2,
Cuando el tamaño de la muestra es "par" la mediana es el promedio de los dos valores que
se encuentran al centro del conjunto de valores. Se puede calcular mediante:

n 2  n 2  1
2

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.5

 UNJFSC FLQ Y M

 Media acotada : Determinado porcentaje de los valores más altos y bajos de un conjunto
dado de datos son eliminados (tomando números enteros), para los valores restantes se
calcula la media.

Ejemplo 2: Para la siguiente serie de datos calcule la media acotada al 20%:

68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,

Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el más bajo y el
más alto, ordenado los datos obtenemos:

8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a

eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
~x ,.20  63.82

Medidas de dispersión
Para comprender el concepto de varianza, supóngase que tenemos los datos siguientes de los
cuales queremos saber que tan dispersos están respecto a su media:
2, 3, 4, 5, 6 con media = 20/5 = 4
Si tomamos la suma de diferencias de cada valor respecto a su media y las sumamos se tiene:
(-2) + (-1) + (0) + (1) +(2) = 0
Por lo que tomando diferencias simples no es posible determinar la dispersión de los datos.
Si ahora tomamos esas mismas diferencias al cuadrado y las sumamos se tiene:

4 + 1 + 0 + 1 + 4 = 10

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.6

 UNJFSC FLQ Y M

Varianza de los datos

Es una medida que nos ayuda a comprender la variabilidad de los datos, que tan distanciados
están de la media

 Poblacional (σ2 ) Se obtiene dividiendo el valor anterior entre n = 5, o sea el promedio

de la suma de las diferencias al cuadrado, tomando n datos.

( xi  x ) 2
  2

 Poblacional (s2 ) Se obtiene dividiendo el valor anterior entre n - 1 = 4, o sea el

promedio de la suma de las diferencias al cuadrado, tomando n -1 datos.

( xi  x ) 2
s 
2

n 1

 Desviación estándar: Es la raíz cuadrada de la varianza:

( xi  x ) 2
Para el caso de una población  
n

( xi  x ) 2
Para el caso de una muestra s 
n 1

 Rango ( R ): es la diferencia positiva entre el valor mayor y el valor menor de un

conjunto de datos. Por ejemplo para el conjunto de datos siguiente:
2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.7
 UNJFSC FLQ Y M

Su rango es R = 4.0 – 2.0 = 2.0

 Coeficiente de Variación (CV): Se utiliza para comparar la dispersión de dos

conjuntos de datos que tienen unidades diferentes, ya que representa una medida relativa
de dispersión.
s
Coeficiente.de. var iación  CV  (100)
X
Por ejemplo si la media de tiempos de respuesta es de 78.7 y su desviación estándar es 12.14, el
CVt:
12.14
CVt  (100)  12.05%
78.7
Por otra parte si la media de temperaturas es de 10 y su desviación estándar de 2, el CVs de las
temperaturas es:
2
CVs  (100)  20%
10
Por tanto la dispersión de las temperaturas es mayor que la de los tiempos de de respuesta, es
posible comparar estas dispersiones con el CV aunque los dos conjuntos de datos sean
completamente disímbolos.

Ejemplo 3: La resistencia al rompimiento de dos muestras de botellas es la siguiente:

Muestra 1: 230 250 245 258 265 240

Muestra 2: 190 228 305 240 265 260

Calcule la desviación estándar para ambas muestras.

Muestra 1: Muestra 2
 
x  248 x  248
Suma(Xi - x )2 = 790 Suma( Xi - x )2 = 7510

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.8

 UNJFSC FLQ Y M}

n-1=5 n-1 = 5

790 7510
s= = 12.56 s= = 38.75
5 5
Rango = 265 – 230 = 35 Rango = 305 – 190 = 115
CV = 12.56/248*100= 5.06% CV = 38.75/248*100 = 15.625
Aunque la media en ambas muestras es la misma, la desviación estándar (s), rango y coeficiente
de variación, son menores en la muestra 1, por lo cual deducimos que es presenta menor
variabilidad.

3. OTRAS MEDIDAS DE DISPERSIÓN: PERCENTILES, DECILES Y

QUARTILES
Cada conjunto de datos ordenado tiene tres cuartiles que lo dividen en cuatro partes iguales. El
primer cuartil es ese valor debajo del cual clasifica el 25% de las observaciones y sobre el cual
se encuentra el 75% restante. El segundo cuartil divide a los datos a la mitad similar a la
mediana.
Los deciles separan un conjunto de datos ordenado en 10 subconjuntos iguales y los percentiles
en 100 partes, la ubicación de un percentil se encuentra en:
P
L p  (n  1)
100
Donde:
Lp es el sitio del percentil deseado en una serie ordenada
n es el número de observaciones
P es el percentil deseado
Por ejemplo para el conjunto de datos siguiente:

3 10 19 27 34 38 48 56 67 74
4 12 20 29 34 39 48 59 67 74
7 14 21 31 36 43 52 62 69 76
9 15 25 31 37 45 53 63 72 79
10 17 27 34 38 47 56 64 73 80

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina.9

 UNJFSC FLQ Y M}

La localización del percentil 35 se halla en:

35
L35  (50  1)  17.85
100
O sea que el percentil 35 está al 85% del trayecto comprendido entre la observación 17 que es
29 y la observación 18 que es 31 o sea L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las
observaciones están por debajo de 30.7 y el 65% restante por encima de 30.7.
De la misma forma los percentiles 25, 50 y 75 proporcionan la localización de los cuartiles Q1, Q2
y Q3 respectivamente.

 Q1: es el número que representa al percentil 25 (hay 25% de los datos por debajo de
este).

 Q2 o Mediana: es el número que representa al percentil 50 (hay 50% de los datos por
debajo de este).

 Q3: es el número que representa al percentil 75 (hay 75% de los datos por debajo de
este).

 Rango o Recorrido intercuartílico: es la diferencia entre Q1 y Q3.

4. MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN PARA DATOS

AGRUPADOS

 La media con datos agrupados: se calcula así:

Xg 
 fM
n

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina10

 UNJFSC FLQ Y M

Donde :

f es la frecuencia o número de observaciones en cada clase

M es el punto medio de cada clase, se determina como el valor medio entre los límites de
clase.

n es el tamaño de la muestra o la suma de todas las frecuencias de las clases

Ejemplo:

Clase Frecuencia de clase Frecuencia acumulada

(Presión) (días) M fM F

50-59 3 54.5 163.5 3

60-69 7 64.5 451.5 10
70-79 18 74.5 1341.0 28
80-89 12 84.5 1014.0 40
90-99 8 94.5 756.0 48
100-109 2 104.5 209.0 50
50 3935.0

3935
Xg   78.7
50

 Mediana de datos agrupados:

Primero se identifica la clase donde se encuentra la mediana cuya F es >= n / 2, en este caso la
clase de 70 a 79 con punto central de clase = 74.5.

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina11

 UNJFSC FLQ Y M

~ n / 2  F   50 / 2  10 
Mediana  X  Lmd   (C )  70   10  78.33 pasajeros
 f md   18 

Donde:

Lmd es el límite inferior de la clase de la mediana cuya F es >= n / 2 o sean (70)

F es la frecuencia acumulada de la clase que antecede a la clase de la mediana (10)
Fmd es la frecuencia de la clase de la mediana (18)
C es el intervalo de clase de la mediana que es la diferencia entre dos límites de clase (10)

 Moda de datos agrupados:

Primero se halla la clase que tenga la frecuencia más alta, en este caso la clase 70 a 79.

 Da   18  7 
Moda  Lmo   (C )  70   10  76.47
 Db  Da   (18  12)  (18  7) 
Donde:

Lmo es el límite inferior de la clase modal con la frecuencia más alta (70).
Da es la diferencia entre la frecuencia de la clase modal y la clase que la antecede (18 – 7 = 11)
Db es la diferencia entre la frecuencia de la clase modal y la clase que le sigue (18 – 12 = 6)
C es el intervalo de la clase modal ( 80 – 70 = 10 )
 Varianza y desviación estándar de datos agrupados:

s2 
 fM 2
 nX 2
n 1
s s 2

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina12

 UNJFSC FLQ Y M

Clase Frecuencia
de clase
Presión Días M fM M2 fM2
50-59 3 54,5 163,5 2790,25 8910,75
60-69 7 64,5 451,5 4160,25
29121,75
70-79 18 74,5 1341,0 5550,25
99904,50
80-89 12 84,5 1014,0 7140,25
85683,00
90-99 8 94,5 756,0 8930,25
71442,00
100-109 2 104,5 209,0 10920,25
21840,50
3935,0 316902
50
3935
Xg   78.7
50
316902.50  50(78.7) 2
s2   147.31 pasajeros
49
s  12.14 pasajeros

Con esta información el personal puede tomar sus decisiones.

5. USOS FRECUENTES DE LA DESVIACIÓN ESTÁNDAR

 EL TEOREMA DE TCHEBYSHEV
1
Establece que para todo conjunto de datos por lo menos (1  )% de las observaciones se
K2
encuentran dentro de  K desviaciones estándar de la media, con K >= 1.
Por ejemplo si K =  3 desviaciones estándar respecto a la media, se tiene que por lo menos el:

1  1 
(1  )%  1  2 %  88.89%
 3 
2
K

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina13

 UNJFSC FLQ Y M

De las observaciones estarán dentro de dicho intervalo.

CASO DE LA DISTRIBUCIÓN NORMAL

68.3% de las observaciones se encuentran dentro de  1 desviación estándar de la media

95.5% de las observaciones se encuentran dentro de  2 desviaciones estándar de la media
99.7% de las observaciones se encuentran dentro de  3 desviaciones estándar de la media

 SESGO

En la distribución normal si no es simétrica y tiene una cola más amplia del lado derecho, se dice
que existe un sesgo a la derecha y viceversa.

El coeficiente de sesgo o asimetría P se determina como sigue:

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina14

 UNJFSC FLQ Y M

3( X  Mediana )
P
s
Si P < 0 los datos están sesgados a la izquierda, si P > 0 están sesgados a la derecha; si P
= 0 están distribuidos normalmente.
Para el caso de los datos del ejemplo anterior se tiene:
3(78.7  78.33)
P  0.03 Los datos están un poco sesgados hacia la derecha.
12.14

Coeficiente de asimetría de Fisher

Otra estimación del sesgo o coeficiente de asimetría se hace a través de momentos estadísticos
(diferencias contra la media) como lo sugiere Fisher:
n

(X i  X)j
Mj  i 1
j  1, 2,3, 4
n
1 n
M3 
n i 1
( Xi  X ) 3
Sesgo  ˆ1  o 1  Para la distribución normal debe ser 0.
M 23 / 2 1 n 2
3/ 2

  ( Xi  X ) 
 n i 1 
Se puede considerar que una distribución es simétrica si  1  0 , asimétrica hacia la
izquierda con  1  0 o hacia la derecha  1  0 .

Por ejemplo:
Ejemplo de una distribución con sesgo negativo o sesgada hacia la izquierda con Sesgo = -1.01

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina15

 UNJFSC FLQ Y M

Ejemplo de una distribución con sesgo positivo o sesgada hacia la derecha con Sesgo = 1.08

CURTOSIS
En la distribución normal si no es acampanada y es más picuda o aplanada de lo normal se dice
que tiene una Curtosis diferente de cero que es lo normal, si es mayor es más picuda o más plana
al revés.

Coeficiente de Curtosis de Fisher

1 n
M4

n i 1
( Xi  X ) 4
Kurtosis   2  - 3 o 2   3 Para la distribución normal debe ser
M 22 1 n 
2

  ( Xi  X ) 2 
 n i 1 
0.
La distribución es mesocúrtica (plana normal) si  2  0 , leptocúrtica si  2  0 más
puntiaguda que la normal o platicúrtica (más plana que la normal ) con  2  0 .

Ejemplo de curva más plana que la normal Curtosis = -1.03

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina16

 UNJFSC FLQ Y M

Ejemplo de curva más picuda que la normal Curtosis = 0.76

6.CONCLUSIÓN:
La Estadística es una ciencia matemática que se utiliza para describir, analizar
e interpretar ciertas características de un conjunto de individuos llamado
población. Cuando nos referimos a muestra y población hablamos de
conceptos relativos pero estrechamente ligados. Una población es un todo y
una muestra es una fracción o segmento de ese todo.

7.REFERENCIA:
https://www.google.com.pe/search?q=conclusion+de+estadistica+descriptiva&o
q=conclusion+de+estadistica+descriptiva&aqs=chrome..69i57j0l5.6217j0j8&sou
rceid=chrome&ie=UTF-8
https://sites.google.com/site/lpsjestadistica/conclusion
http://www.monografias.com/trabajos89/estadistica-clasificacion/estadistica-
clasificacion.shtml

http://aldanalisis.blogspot.pe/2011/10/breves-de-estadistica-descriptiva-y.html

https://html.rincondelvago.com/estadistica-descriptiva.html

E.A.I ING.JAMANCA SUSANIBAR, JOHNNY Pagina17