1. MÉTODOS ESTATÍSTICOS
E NUMÉRICOS
UNIDADE 2
MEDIDAS DE CENTRALIZACIÓN E
POSICIÓN
ÍNDICE
IES Isidro Parga Pondal. Departamento de matemáticas
2. Conceptos
1. Parámetros de centralización: media,
mediana e moda.
2. Parámetros de dispersión: rango, varianza,
desviación típica.
3. Utilización conxunta de media e desviación
típica.
4. Medidas de posición non central: cuartís,
decís, percentís.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
3. 1. Parámetros de Centralización
Este tipo de parámetros proporciónannos
uns valores en torno ós que se centran os
datos da distribución.
Os principais son:
Media aritmética
Mediana
Moda
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
4. 1. Parámetros de Centralización
Veremos tamén:
– media aritmética ponderada
– media a. Recortada
– media a. truncada ou Winsorizada,
– media cuadrática
– media xeométrica
– media harmónica.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
5. 1. Parámetros de Centralización. Tipos de media.
Media aritmética
A media aritmética dunha variable estatística é o
cociente entre a suma de todos os valores de dita
variable e o número destes.
Fórmula para datos agrupados nunha táboa estatística:
_
x=
∑x ⋅ f i i
N
xi = valor da variable ou marca de clase
fi = frecuencia absoluta
N = nº de datos
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
6. 1. Parámetros de Centralización. Tipos de media.
Media aritmética ponderada:
Emprégase para calcular o promedio duns valores
cando estes teñen diferentes ponderacións ou pesos.
Se unha variable estatística toma valores x1, x2,…,xn
con pesos w1, w2, …, wn respectivamente defínese a
media aritmética ponderada como:
n
∑ x
w i i
x = i =n
1
∑w
i=1
i
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
7. 1. Parámetros de Centralización. Tipos de media.
Media recortada R(p)
Se temos unha serie de n datos ordenados,X1,X2,…,Xn,
defínese a media recortada nunha porcentaxe p como
a media aritmética deses datos onde se suprimen en
ambos os extremos os correspondentes á porcentaxe p.
Se suprimimos a datos por ambos extremos, teremos
que a media recortada ó p% é:
n −a
∑X i
R ( p ) = i =1+a
n − 2a
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
8. 1. Parámetros de Centralización. Tipos de media.
Media truncada ou Winsorizada W(p):
Se temos unha serie de n datos ordenados,X1,X2,…,Xn,
defínese a media truncada ou Winsorizada nunha
porcentaxe p como a media aritmética deses datos
onde se substitúen en ambos os extremos os datos
correspondentes á porcentaxe p polo máis preto dese
extremo.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
9. 1. Parámetros de Centralización. Tipos de media.
Media cuadrática
Emprégase cando a variable toma valores positivos e
negativos e non queremos que a medida de tendencia
central reflicta os efectos do signo. É moi práctica
cando traballamos con erros na medida dunha
magnitude. Desígnase por C e a súa expresión para
datos agrupados é:
n
∑ i ⋅ fi
2
x
C= i=1
N
xi = valor da variable ou marca de clase
fi = frecuencia absoluta
N = nº de datos
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
10. 1. Parámetros de Centralización. Tipos de media.
Media Xeométrica:
Utilízase cando calculamos números índices sintéticos
(combinan unha grande cantidade de prezos e
producións, como o IPC). Non se pode usar cando hai
valores negativos. Desígnase por G, e a súa expresión
para datos agrupados é:
f1 f2 fn
G= N
x1 ⋅ x2 ⋅ ... ⋅ xn
xi = valor da variable ou marca de clase
fi = frecuencia absoluta
N = nº de datos
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
11. 1. Parámetros de Centralización. Tipos de media.
Media Harmónica:
É a inversa da media aritmética dos inversos dos
valores da variable. É útil na comparación de
velocidades promedio sobre varias distancias e na
resolución de problemas estatísticos de transporte.
Designase por H, e a súa fórmula para datos agrupados
é: N
H = n
1
∑x f i
i=1 i
xi = valor da variable ou marca de clase
fi = frecuencia absoluta
N = nº de datos
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
12. 1. Parámetros de Centralización. Tipos de media.
Exemplo (media aritmética-media aritmética ponderada)
Un alumno obtivo en tres exames as seguintes notas: 4-5-6.
A nota media, se as tres tivesen a mesma importancia sería:
_
x=
∑x ⋅ f i i
=
4+5+6
=5
N 3
En cambio, se o profesor lle dá ás notas dos exames distintas
ponderacións, por exemplo: 3-2-1 respectivamente, a nota media ponderada
sería agora:
n
∑w x i i
3 ⋅ 4 + 2 ⋅ 5 + 1⋅ 6
x= i =1
= = 4,67
n
3 + 2 +1
∑w
i =1
i
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
13. 1. Parámetros de Centralización. Tipos de media.
Exemplo (media aritmética-media harmónica)
e 120
AB=120km. A B velocidade media=30Km/h ⇒ t= = = 4h
v 30
e 120
B A velocidade media=60Km/h ⇒ t= = = 2h
v 60
Acha a velocidade media da viaxe completa:
A velocidade media da viaxe sería:
distancia total 240
v= = = 40km / h
tempo total 6
Este promedio correspóndese coa media harmónica:
N 2
H = = = 40km / h
n
1 1 1
∑x f i 30 + 60
i=1 i
Se se considerara a media aritmética das velocidades, obteríamos:
_
x=
∑x ⋅ f
i i
=
30 + 60
= 45km / h Que é incorrecto!!!
N 2
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
14. 1. Parámetros de Centralización. Tipos de media.
Exemplo: Dada a serie estatística: 1- 4- 6- 6- 8- 8- 10- 12- 14- 30, imos achar a media
recortada ao 10% e a media winsorizada ao 10%.
MEDIA RECORTADA ao 10%: o 10% de 10 é 1 e eliminamos 1 dato por cada extremo.
Calculamos a media aritmética dos 8 datos restantes:
n−a 10 −1
∑X i ∑X i
4 + 6 + 6 + 8 + 8 + 10 + 12 + 14
1 4 6 6 8 8 10 12 14 30 ⇒ R (10) = i =1+ a
= i =1+1
= = 8,5
n − 2a 10 − 2 8
MEDIA WINSORIZADA ao 10%: substituímos os datos extremos polos datos máis próximos a
eles, e calculamos a media da serie:
4 + 4 + 6 + 6 + 8 + 8 + 10 + 12 + 14 + 14
4 4 6 6 8 8 10 12 14 14 ⇒ W (10) = = 8,6
10
Obsérvase que estes valores difiren bastante da media aritmética:
_
x=
∑x ⋅ f
i i
=
1 + 4 + 6 ⋅ 2 + 8 ⋅ 2 + 10 + 12 + 14 + 30
= 9,9 debido a que hai un valor atípico:
30 N 10
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
15. 1. Parámetros de Centralización. Media aritmética.
Exemplo variable discreta
Nunha poboación de 25 familias observouse a variable número de coches
que ten a familia, e obtivéronse os seguintes datos:
0123101114322112211121321
Xi fi xi⋅fi
0 2 0
1 12 12
2 7 14
_
x=
∑x ⋅ f i i
=
39
= 1,56
3 3 9 N 25
4 1 4
N=25 39
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
16. 1. Parámetros de Centralización. Media aritmética.
Vexamos un exemplo gráfico de variable discreta obtido da páxina
do ITE.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
17. 1. Parámetros de Centralización. Media aritmética.
Exemplo variable continua
Unha estación meteorolóxica
rexistrou 88 días de choiva
o pasado ano, segundo se mostra
na seguinte táboa:
Litros/m2 [0,5) [5,10) [10,15) [15,20) [20,25) [25,30) [30,35)
Nº de días 3 7 19 23 18 12 6
Completemos a táboa:
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
18. 1. Parámetros de Centralización. Media aritmética.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
19. 1. Parámetros de Centralización. Media aritmética.
Litros/m2 Marcas (xi) fi xi⋅fi
[0,5) 2,5 3 7,5
[5,10) 7,5 7 52,5
[10,15) 12,5 19 237,5
[15,20) 17,5 23 402,5
[20,25) 22,5 18 405
[25,30) 27,5 12 330
[30,35) 32,5 6 195
N=88 1630
_
x=
∑x ⋅ f
i i
=
1630
= 18,52 litros / m 2
N 88
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
20. 1.-Parámetros de centralización: Mediana.
A mediana Me dunha variable estatística é o valor de
dita variable tal que o número de valores menores ca el
é igual ó número de valores maiores ca el. Ou dito
doutro xeito, é o valor tal que, ordenados os valores en
orde crecente ou decrecente ocupa a posición central.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
21. 1. Parámetros de Centralización. Mediana.
• Cálculo da mediana nas variables discretas:
• Se N é impar e os datos son simples a Mediana é o valor que
ocupa o lugar (N+1)/2.
Exemplo: 1,4,6,7,8,10,13,16,20, 24,25,27,30 N=13
ocupa a posición central ⇒ Me=13
• Se N é par e os datos son simples hai dous valores centrais e a
mediana será a media aritmética dos valores que ocupan os
postos N/2 e N/2 + 1.
Exemplo: 1,4,6,7,8,10,13,16,20,24,25,27 N=12
ocupan as posicións centrais
10 + 13
Me = = 11,5
2
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
22. 1. Parámetros de Centralización. Mediana.
• Cálculo da mediana nas variables discretas:
Se os datos están tabulados nunha táboa de
frecuencias, a mediana é o primeiro valor da variable
estatística no que a frecuencia absoluta acumulada
supere a metade dos datos.
Se a metade dos datos coincide con algunha frecuencia
absoluta acumulada , a mediana sería a media
aritmética dese valor e o seguinte na táboa.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
23. 1. Parámetros de Centralización. Mediana
• Cálculo da mediana nas variables continuas (ou
para datos agrupados):
Intervalo mediano ou clase mediana [Li-1,Li]: O
primeiro no que a frecuencia absoluta acumulada
supere a metade dos datos
N
Mediana: − Fi −1
Me = Li − 1 + 2 ⋅ ei
fi
Li-1=límite inferior da clase mediana
Fi-1=frecuencia absoluta acumulada da clase anterior a mediana.
fi=frecuencia absoluta da clase mediana
N=nº de datos
ei=lonxitude das clases ou intervalos
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
24. 1. Parámetros de Centralización. Mediana.
Exemplo variable discreta
xi fi Fi
Voltamos ao exemplo de nº de coches por 0 2 2
familia:
1 12 14
-Completamos a táboa calculando as Fi
2 7 21
N=25 impar ⇒ (N+1)/2 = 26/2= 13 3 3 24
- Observamos cal é a primeira frecuencia
absoluta acumulada que supera este valor 4 1 25
e correspóndese co xi = 1. 25 25
Por tanto, mediana=1
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
25. 1. Parámetros de Centralización. Mediana.
Exemplo variable continua Litros/m Marca fi Fi
Voltando ao exemplo da 2
s (xi)
estación meterolóxica:
[0,5) 2,5 3 3
[5,10) 7,5 7 10
O intervalo mediano é [15,20)
[10,15) 12,5 19 29
A mediana calcúlase:
Li-1=15 [15,20) 17,5 23 52
Fi-1=29 [20,25) 22,5 18 70
fi=23 [25,30) 27,5 12 82
ei=5 [30,35) 32,5 6 88
N 88 N=88
− Fi −1 − 29
Me = Li − 1 + 2 ⋅ ei = 15 + 2 ⋅ 5 = 18,26 litros / m 2
fi 23
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
26. 1.-Parámetros de centralización. Moda
A moda dunha variable estatística, Mo , é o valor (ou
valores) de dita variable que ten maior frecuencia
absoluta.
• Cálculo da moda nas variables discretas:
O valor , ou valores, da variable estatística no que a
frecuencia absoluta sexa maior.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
27. 1. Parámetros de Centralización. Moda
• Cálculo da moda nas Variables continuas (ou para datos
agrupados):
– Intervalo modal ou clase modal [Li-1,Li]: O intervalo no que a
frecuencia absoluta sexa maior.
– Moda:
f i − f i −1 D1
M o = Li −1 + ⋅ ei = Li − 1 + ⋅ ei
2 ⋅ f i − f i −1 − f i + 1 D1 + D 2
Li-1=límite inferior da clase modal
fi,fi-1,fi+1=frecuencia absoluta da clase modal,anterior e posterior
D1 =fi -fi-1 D2 = fi –fi+1
ei=lonxitude das clases ou intervalos
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
28. 1. Parámetros de Centralización. Moda.
Exemplo 1 (variable discreta):
xi fi Fi
Voltamos ao exemplo de nº de coches por 0 2 2
familia:
1 12 14
O valor da variable estatística no que a 2 7 21
frecuencia absoluta é maior
correspóndese co xi = 1. 3 3 24
4 1 25
Por tanto, moda=1
25
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
29. 1. Parámetros de Centralización. Moda.
Exemplo 2 (variable continua): Litros/m2 Marcas fi
(xi)
Voltando ao exemplo da estación [0,5) 2,5 3
meterolóxica: [5,10) 7,5 7
[10,15) 12,5 19
O intervalo modal é [15,20)
A mediana calcúlase: [15,20) 17,5 23
Li-1=15 [20,25) 22,5 18
D1=fi-fi-1=23-19=4 [25,30) 27,5 12
D2=fi-fi+1=23-18=5 [30,35) 32,5 6
ei=5
N=88
f i − f i −1 D1 4
M o = Li −1 + ⋅ ei = Li − 1 + ⋅ ei = 15 + ⋅ 5 = 17,2 litros / m 2
2 ⋅ f i − f i −1 − f i +1 D1 + D 2 4+5
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
30. 2. Parámetros de dispersión:
A parte das medidas de centralización, é necesario
coñecer en que medida os datos numéricos están ou non
agrupados ó redor dos valores centrais. A isto é o que
chaman dispersión e os parámetros que miden estas
desviacións respecto da media chámanse parámetros
de dispersión.
Os máis importantes son:
• Rango
• Desviación media
• Varianza
• Desviación Típica
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
31. 2. Parámetros de dispersión
Rango
O percorrido ou rango dunha distribución é a diferenza entre o
maior e o menor valor da variable estatística.
Desviación media
A desviación media dunha variable estatística é a media aritmética
dos valores absolutos das desviacións respecto á media.
_
∑ x −x⋅ f
i i
Dm = i
N
xi= Valor da variable ou marca de clase fi=Frecuencia absoluta
_
N=Nº de datos x = Media aritmética
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
32. 2. Parámetros de dispersión
Varianza
A varianza dunha variable estatística é a media aritmética dos
cadrados das desviacións respecto á media.
2
_
∑ xi − x ⋅ f i
∑ xi ⋅ f i
2
_2
s2 = i = i
−x
N N
xi= Valor da variable ou marca de clase fi=Frecuencia absoluta
_
N=Nº de datos x = Media aritmética
Desviación Típica
A desviación típica é a raíz cadrada positiva da varianza. s = s2
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
33. 2. Parámetros de dispersión
Exemplo 1 v. discreta
Voltamos ao exemplo de nº de coches por familia e completamos a
táboa:
xi fi Fi xifi xi2 fi xi − x xi − x ⋅ f i
0 2 2 0 0 1,56 3,12
1 12 14 12 12 0,56 6,72
2 7 21 14 28 0,44 3,08
3 3 24 9 27 1,44 4,32
4 1 25 4 16 2,44 2,44
25 39 83 19,68
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
34. 2. Parámetros de dispersión
Rango = 4-0 = 4
_
∑x i −x ⋅ f i
19,68
Desviación media Dm = i
= =0,79
N 25
∑x
2
i ⋅ fi _2
83
Varianza s =
2 i
−x = −1,56 2 = 0,89
N 25
Desviación típica s = s 2 = 0,89 = 0,94
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
35. 2. Parámetros de dispersión
Exemplo 2 (variable continua)
Retomamos o exemplo da estación meterolóxica e completamos a táboa.
Litros/ Marca fi xi⋅fi xi2⋅fi xi − x xi − x ⋅ f i
m2 s (xi)
[0,5) 2,5 3 7,5 18,75 16,02 48,06
[5,10) 7,5 7 52,5 393,75 11,02 77,14
[10,15) 12,5 19 237,5 2968,75 6,02 114,38
[15,20) 17,5 23 402,5 7043,75 1,02 23,46
[20,25) 22,5 18 405 9112,50 3,98 71,64
[25,30) 27,5 12 330 9075,00 8,98 107,76
[30,35) 32,5 6 195 6337,50 13,98 83,88
N=88 1630 34950 526,32
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
36. 2. Parámetros de dispersión
_
∑ x −x⋅ f
Desviación media
i i
526,32
Dm = i
= = 5,98
N 88
∑ xi ⋅ f i
2
_2
Varianza
34950
s2 = i
−x = − 18,52 2 = 54,17
N 88
Desviación típica s = s 2 = 54,17 = 3,75
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
37. 3. Utilización conxunta de media e desviación típica.
En distribucións cunha soa moda e bastante simétricas
verifícase:
1. No intervalo ( x − s, x + s ) atópase o 68% dos datos.
2. No intervalo ( x − 2s, x + 2s ) atópase o 95% dos datos.
3. No intervalo ( x − 3s, x + 3s ) atópase o 99% dos datos.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
38. 3. Utilización conxunta da media e a desviación
típica.
Exemplo
Comparación media e desviación típica:
coa mesma media, cal interesa ou é máis
rendible?
Ver Exemplo
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
39. 4. Medidas de posición non central:
As medidas de posición non central permiten coñecer outros
puntos característicos da distribución que non son os valores
centrais. Entre as medidas de posición non central máis
importantes están os cuantís que son aqueles valores da variable,
que ordenados de menor a maior, dividen a distribución en partes,
de tal xeito que cada unha delas contén o mesmo número de
frecuencias.
Os tipos máis importantes de cuantís son:
– Os cuartís, que dividen a distribución en catro
partes;
– Os decís, que dividen a distribución en dez partes;
– Os percentís, que dividen a distribución en cen
partes.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
40. 4.- Medidas de posición non centrais: Cuartís.
Ordenados os datos en orde crecente, os cuartís Q1,
Q2, Q3 son os valores da variable estatística tales que a
cuarta parte dos datos teñen valores inferiores a Q1, a
metade dos datos teñen valores inferiores a Q2, e as
tres cuartas partes teñen valores inferiores a Q3.
A mediana coincide con Q2.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
41. 4. Medidas de posición. Cuartís
Cálculo dos cuartis nas variables discretas:
Q1 calcúlase buscando o primeiro valor da
variable no que a frecuencia absoluta
acumulada supere a cuarta parte dos datos.
Q3 calcúlase buscando o primeiro valor da
variable no que a frecuencia absoluta
acumulada supere as tres cuartas partes dos
datos.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
42. 4. Medidas de posición. Cuartís
Cálculo dos cuartís nas variables continuas (ou datos
agrupados):
Primeiro localízanse os intervalos que conteñen os cuartís,[Li-1,Li], da
mesma maneira que na variable discreta, e depois aplícase a fórmula:
N
⋅ k − Fi −1
Qk = Li −1 + 4 ⋅ ei
fi
Li-1 = límite inferior da clase que contén o cuartil
N = Nº de datos
fi = Frecuencia absoluta da clase que contén o cuartil
Fi-1 =frecuencia absoluta acumulada da clase anterior a que contén o
cuartil.
ei = lonxitude do intervalo que contén cuartil
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
43. 4.- Medidas de posición non centrais:Deciles
Son 9 valores da variable tales que, ordenados
de maneira crecente, dividen a distribución
estatística en 10 partes. Cada unha de elas
contén a décima parte das observacións.
Represéntanse por D1, D2,…,D9.
D5 =Me
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
44. 4. Medidas de posición. Deciles.
Cálculo dos deciles Variable continua
(ou datos agrupados):
Variable discreta: Calcúlase o intervalo
Se son datos simples, correspondente polo
calcúlanse as frecuencias procedemento anterior,
absolutas acumuladas e o decil [Li-1,Li], e aplícase a fórmula:
Dk será o primeiro valor da
N
variable cuxa frecuencia ⋅ k − Fi − 1
absoluta acumulada exceda a Dk = Li − 1 + 10 ⋅ ei
K.N/10 K=1,…,9. fi
K=1,2,…,9
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
45. 4.- Medidas de posición non centrais: Percentís:
Son 99 valores da variable tales que, ordenados de maneira
crecente, dividen a distribución estatística en 100 partes. Cada
unha delas contén a centésima parte das observacións.
Representanse coa letra P.
É o percentil i-ésimo, onde a i toma valores do 1 ó 99. O i% da
mostra son valores menores ca el e o 100-i% restante son maiores.
P50=Q2=Me
P25=Q1
P75=Q3
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
46. 4. Medidas de posición. Percentís.
Cálculo dos percentís:
Variable continua
Variable discreta: (ou datos agrupados):
Calcúlase o intervalo
Se son datos simples, correspondente polo
calcúlanse as frecuencias procedemento anterior,
absolutas acumuladas e o [Li-1,Li], e aplícase a fórmula:
percentil Pk será o primeiro
valor da variable cuxa N
⋅ k − Fi − 1
frecuencia absoluta acumulada Pk = Li − 1 + 100 ⋅ ei
exceda a K.N/100 K=1,…,99. fi
K=1,2,…,99
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
47. 4. Medidas de posición. Cuantís.
Exemplo variable discreta
Táboa dunha serie de datos referidos ó talle dun grupo
de alumnos:
Ver exemplo
Neste exemplo só veñen calculados os cuartís:
Q1= 1,22 cm (primeiro valor cuxa frecuencia absoluta supera o 25%)
Q2= 1,26 cm (primeiro valor cuxa frecuencia absoluta supera o 50%)
Q3= 1,28 cm (primeiro valor cuxa frecuencia absoluta supera o 75%)
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
48. 4. Medidas de posición. Cuantís.
Do mesmo modo calcúlanse os decís: D1 será o primeiro valor cuxa
frecuencia absoluta acumulada supere o 10% dos datos, o D2 será
o correspondente ao primeiro que supere o 20%,…
Por exemplo:
D1=1,22 D5=1,26 D7= 1,28
Do mesmo xeito calculariamos os percentís: Pi será o primeiro
valor cuxa frecuencia absoluta acumulada supere o i% dos datos,
así, se queremos coñecer o valor do P35, observamos as frecuencias
absolutas acumuladas, e o primeiro que supera este valor é: P35=
1,23
Outros:
P71= 1,28
P13= 1,21
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
49. 4. Medidas de posición. Cuantís.
Exemplo variable continua
Ver exemplo
E clica no punto 4: “Exemplos de cálculo”
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
50. 4. Medidas de posición. Cuantís.
Calcular cuartís gráficamente.
Nota: exemplo tomado do banco de imaxes do ITE.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
Notas do Editor
Falta por aclarar el ejemplo 1. El gráfico es de muy baja resolución. Será mejor buscar otro?