CognoSfera

www.ugr.es/local/rruizb/cognosfera

ESTADSTICA DESCRIPTIVA DE UNA VARIABLE

M. Jorge Bolaos Carmona Departamento de Estadstica e I.O. Facultad de Biblioteconoma y Documentacin Universidad de Granada

1.INTRODUCCION El concepto de Estadstica es muy amplio, y sus aplicaciones directas o indirectas, muy numerosas; resulta difcil, por ello, dar una definicin. Sin embargo, la idea ms adecuada es considerar que incumbe a la Estadstica la recogida, ordenacin, resumen y anlisis de datos de cualquier tipo sobre colectivos, lo que significa que no tiene sentido pensar en un dato aislado o individual como terreno de trabajo de la Estadstica: es necesario, pues, considerar un grupo de elementos (personas, animales, cosas, experimentos, etc.) a los que se refieren los datos que se consideran. Este conjunto puede venir dado de dos formas que condicionan toda clasificacin interna de la Estadstica, y que son las siguientes: a) Poblacin, o conjunto de todos los elementos cuyo estudio nos interesa. Si se dispone de datos de una o ms variables sobre la poblacin completa, o se puede acceder a ellos, la Estadstica tendr como misin que la recogida sea adecuada, se ordenen, se estructuren y se resuman dichos datos para su mejor comprensin, es decir, que se describan. Ello nos llevar a hablar de Estadstica Descriptiva. Por ejemplo, el conjunto de los varones mayores de 65 aos y residentes en una provincia sera una poblacin. b) Muestra, o conjunto de elementos de los que efectivamente se dispone de datos, y que es una parte (a menudo pequea) de la poblacin. Cuando no se puede acceder a los datos de toda la poblacin, que es lo ms frecuente, y se debe trabajar con slo los de la muestra, a la simple descripcin de los datos se aade el inters por valorar hasta qu punto los resultados de la muestra son extrapolables o generalizables a la poblacin; en consecuencia, ser necesario utilizar no slo las tcnicas de la Estadstica Descriptiva, siempre obligadas en todo caso para la comprensin de los resultados, sino tambin otras que permiten inferir afirmaciones sobre la poblacin a partir de los datos de la muestra y que constituyen la Estadstica Inferencial o Inferencia Estadstica. Por ejemplo, el grupo de los varones mayores de 65 aos y residentes en una provincia que son usuarios de bibliotecas pblicas sera una muestra de la poblacin citada en el prrafo anterior (otra cosa es que la muestra fuese o no representativa del conjunto de tal poblacin). Los elementos fundamentales de la descripcin de una variable son los que siguen en los apartados siguientes, que se pueden resumir de esta forma: En primer lugar, se har hincapi en que lo que se estudia son en realidad las variables, lo que nos obligar a distinguir los tipos bsicos de ellas, porque tienen un tratamiento distinto en todo lo que sigue. Las distribuciones de frecuencia son necesarias en el paso siguiente para expresar los resultados obtenidos mediante tablas estadsticas. Las grficas estadsticas dan una informacin similar a la de las tablas, pero de forma ms directa; de ellas trata otro apartado.

Finalmente, el resumen de la informacin se realiza mediante las medidas de centralizacin, dispersin y posicin. 2. TIPOS DE VARIABLES. Lo que se estudia en una muestra o poblacin es una serie de variables en cada individuo o elemento. Lo usual es considerar primero las variables una a una, sin plantearse problemas de asociacin entre ellas, por lo que podemos pensar slo en una variable de cuyos datos imaginamos disponer en una muestra (el nmero de datos es el llamado Tamao de Muestra, para el que habitualmente se utiliza la letra n). Los tipos de variables, y consecuentemente las clases de datos que se pueden encontrar, son bsicamente las siguientes: A) Variables CUALITATIVAS, tambin llamadas CARACTERES, VARIABLES CATEGRICAS o ATRIBUTOS, que son aquellas que no necesitan nmeros para expresarse; cada forma particular en que pueden presentarse se denomina modalidad. Por ejemplo, el sexo de una persona es una variable cualitativa y varn o mujer son sus nicas modalidades. En consecuencia, para una variable cualitativa, cada dato no es ms que la informacin de que un determinado elemento de la muestra presenta una determinada modalidad. Entre la variables cualitativas cabe distinguir: a1) las variables cualitativas ORDINALES, que son las que teniendo ms de dos modalidades tienen establecido un orden natural entre las mismas, de forma que sus modalidades se enuncian siguiendo una cierta ordenacin ascendente o descendente y no de otra manera. Por ejemplo, la variable gravedad del pronstico de lesiones traumticas podra tener como orden natural entre sus modalidades leve, moderado, grave, etc., pero nunca diramos grave, leve, moderado, etc. en este orden. a2) las variables cualitativas PURAS, que no tienen un orden natural preestablecido entre sus modalidades, y podemos utilizar cualquier ordenacin para ellas, como por ejemplo el grupo sanguneo o la nacionalidad de una persona (no hay que confundirse con ordenaciones arbitrarias, como el orden alfabtico, pensando que convierten en ordinales a las variables, ya que no significan una verdadera ordenacin natural de las modalidades). a3) las variables DICOTOMICAS, que tienen slo dos modalidades posibles, y en las que ni siquiera tiene sentido plantearse si son o no ordinales; El hecho de tener slo dos modalidades les confiere caractersticas especiales. Cabe citar como ejemplos el ya citado del sexo, el pertenecer o no a una asociacin, o en general cualquier situacin que slo admita una respuesta s o no. B) Variables CUANTITATIVAS o NUMERICAS, que son aquellas que necesitan nmeros para ser expresadas, como la edad de alguien o el nmero de pginas de un libro. Cada forma particular en que se presentan es un valor numrico, y un dato es en estas variables un nmero que refleja el valor de la variable en un elemento de la muestra. Tambin pueden distinguirse al menos dos subtipos: b1) las variables cuantitativas DISCRETAS, cuyos valores son aislados (habitualmente nmeros enteros), de forma que pueden enumerarse y existen valores consecutivos entre los que no puede haber otro; Por ejemplo, un resumen puede tener 349 350, pero no 349.17 palabras. b2) las variables cuantitativas CONTINUAS, que pueden tomar cualquier valor numrico, entero o decimal, de forma que tericamente entre dos valores posibles siempre se pueden encontrar otros (entre 65.3 Kg. y 65.4 Kg. de peso siempre est 65.37 Kg., por ejemplo), aunque en la prctica el nmero de cifras decimales est limitado y la variable se maneja en cierto modo como discreta. La distincin entre los distintos tipos de variables es importante porque las tcnicas a aplicar a cada uno pueden ser muy diferentes, y muchos parmetros y clculos tienen sentido para las variables de un tipo y no para las de otro. Hay que tener en cuenta tambin que una misma variable de la realidad puede venir expresada de diversas maneras, incluso como cualitativa o como cuantitativa, dependiendo de que usemos valores numricos o slo modalidades; pinsese, por ejemplo, en que la estatura puede darse en centmetros (variable cuantitativa continua) o diciendo de alguien que es bajo, mediano o alto (variable cualitativa ordinal). En estos casos, debe quedar claro que la variable es en esencia cuantitativa y que su

tratamiento como cualitativa supone una prdida de calidad en la informacin, slo admisible si no podemos disponer de los datos numricos. 3. DISTRIBUCIONES DE FRECUENCIA Y TABLAS ESTADISTICAS. Sea cual sea el tipo de variable, lo que se tiene como informacin de una variable en una muestra es un nmero finito n de datos, es decir, de valores o de anotaciones sobre qu modalidad (cualitativas) o qu valor (cuantitativas) tiene cada elemento de la muestra; a este conjunto de datos se le llama distribucin y, salvo cuando el tamao de muestra n sea muy pequeo, se debe resumir para que el lector pueda comprender bien los resultados. Un primer y obligado paso de ese resumen de datos es el simple recuento de las repeticiones de un mismo valor o modalidad; ello nos conduce al concepto fundamental de frecuencia, con dos enfoques: - Frecuencia absoluta es el nmero de veces que una modalidad o un valor de una variable aparece entre los datos de una muestra; si en una muestra de la variable nivel de estudios aparecen 148 personas con nivel de estudios superiores, diremos que 148 es la frecuencia absoluta de la modalidad superiores. Naturalmente, el nmero total de datos es n y, por tanto, la suma de las frecuencias absolutas de todas las modalidades o valores debe ser igual al tamao muestral n. - Frecuencia relativa de una modalidad o valor de una variable es su frecuencia absoluta dividida entre el tamao muestral, es decir, la proporcin de veces que aparece esa modalidad o valor entre todos los datos de la muestra; si la frecuencia absoluta 148 del ejemplo anterior corresponde a una muestra de 2000 personas, diremos que la frecuencia relativa de la modalidad AB es 148/2000 = 0.074. Es claro que la suma de las frecuencias relativas de todas las modalidades o valores debe ser 1, ya que las absolutas suman n y estamos dividiendo entre n. Es muy habitual expresar las frecuencias relativas como porcentajes (multiplicndolas por cien) y entonces la frecuencia relativa del ejemplo sera 7.4 % y la condicin de la suma sera que deben sumar 100 %, lo que se entiende mejor (la frecuencia relativa es la parte del total de datos que corresponde a cada valor o modalidad). Las frecuencias absolutas y relativas son aplicables a cualquier tipo de variable, y de ah su importancia; adems, pese a su simplicidad, dan lugar a conceptos muy importantes, como el de proporcin, y son la base sobre la que se construye cualquier resumen de los datos. Usando como ejemplo el grupo sanguneo en una muestra de doscientas personas, la tabla siguiente sirve para resumir lo que, si no, sera una tediosa lista de doscientos grupos sanguneos: Grupo sanguneo de una muestra de 200 personas. Modalidades O A B AB Totales Frecuencia absoluta 85 53 48 14 200 Frecuencia relativa (%) 0.425 (42.5%) 0.265 (26.5%) 0.240 (24.0%) 0.070 ( 7.0%) 1.000 (100%)

Una tabla como esta se denomina distribucin de frecuencias, y puede incluir tambin las llamadas frecuencias acumulativas, que son la suma de las frecuencias del valor o modalidad que se considere y de todos los anteriores; puede haber frecuencias acumulativas absolutas o relativas, y en todo caso slo tienen sentido con variables cuantitativas o cualitativas ordinales, ya que hay que poder fijar cuales son los valores o modalidades anteriores. As, por ejemplo, las frecuencias acumulativas no son definibles en el ejemplo del grupo sanguneo, que es una variable cualitativa pura. Veamos un ejemplo donde s lo son, de una variable cuantitativa discreta. En este segundo ejemplo, cuya tabla se encuentra a continuacin, el nmero n de datos es 500 y la variable toma seis valores distintos (0,1,2,3,4 y 5) en la muestra. No se deben confundir los valores de la

variable, que son el nmero de visitas (ninguna, una, dos, etc.) de cada persona a la biblioteca en ese mes, con las frecuencias absolutas, que son el nmero de personas cuyo nmero de visitas es uno determinado: que 210 sea la frecuencia absoluta del valor 0 quiere decir que de entre las 500 personas consideradas en el estudio 210 no han ido ninguna vez a la biblioteca en ese mes, es decir, que el valor de la variable es "cero" para ellas; esta frecuencia absoluta 210 supone el 42% de 500, por lo que 0.42 42% es la frecuencia relativa del valor 0 de la variable. Visitas mensuales a una biblioteca de una muestra de 500 usuarios inscritos Valores 0 1 2 3 4 5 Totales Frec. absoluta 210 178 68 24 14 6 500 Frec. relativa 42.0% 35.6% 13.6% 4.8% 2.8% 1.2% 100% Frec. absol. acumulativa 210 388 456 480 494 500 Frec. relat.acumulativa 42.0% 77.6% 91.2% 96.0% 98.8% 100.0%

Por lo que se refiere a las frecuencias acumuladas o acumulativas (es lo mismo), y usando como ejemplo las que se recogen en la tabla, podemos observar que las frecuencias acumuladas del primer valor coinciden con las 210 y 42% ya comentadas para ese valor, lo que es lgico porque no hay ningn valor anterior con cuyas frecuencias sumarlas; a partir del segundo rengln s tenemos acumulacin (388=210+178 y 77.6% = 42.0% + 35.6%), para el tercer valor se suman tres sumandos y as sucesivamente. Ntese que las ltimas frecuencias acumuladas tienen que coincidir con el nmero de datos vlidos total (en este ejemplo 500) y con el 100%, ya que se han sumado todas las frecuencias absolutas y relativas, respectivamente. En el caso de las variables continuas, el nmero de valores distintos que puede tomar la variable es infinito, tericamente, y en la prctica puede ser bastante grande: pinsese que si medimos, por ejemplo, la estatura en centmetros de una muestra de personas adultas podemos tener fcilmente sesenta o setenta valores distintos. Esto provoca que a menudo las tablas tuvieran que ser muy extensas, con muchsimos renglones, lo que las hara intiles por incomprensibles. Para evitarlo, se hacen agrupaciones de varios valores ( por ejemplo, las estaturas 160, 161, 162, 163 y 164 se pueden agrupar en el intervalo 160-164); de esta forma, se pueden encontrar tablas construdas agrupando los valores en intervalos cuando hay muchos valores entre el mnimo y el mximo; el concepto importante es entonces el de marca de clase o valor medio del intervalo, que es, por ejemplo, 162 en el caso citado del intervalo 160-164. Adems, es muy conveniente que los intervalos tengan todos la misma longitud. En las tablas as, con clases, las frecuencias se dan para cada intervalo, pero no para cada valor de la variable; podemos saber, por ejemplo, que en una muestra hay 32 personas que miden entre 160 y 164 cm., pero no cuntas de ellas miden en particular 163 cm.; hay, por tanto, una prdida de informacin con respecto a lo que sera una tabla detallada. Por esta razn, y gracias a los avances de la Informtica que permiten almacenar muchos valores y trabajar con ellos rpidamente, las tablas con intervalos ya no se usan, como hasta hace pocos aos, para realizar clculos sobre la variable, sino que su utilidad queda reducida a la mejor comprensin de las tablas y a la elaboracin de grficos. Todo ello significa que las ganancias en comprensin al hacer intervalos se corresponden necesariamente con prdidas de informacin (se pierde el detalle) y por ello para los cmputos numricos se usan los datos originales de uno en uno, mientras que para tablas y grficas es frecuente usar intervalos. 4. GRAFICAS ESTADISTICAS Las distribuciones de frecuencias se presentan en tablas como las anteriores, o bien en grficas. La representacin grfica se utiliza para facilitar al lector la comprensin de los resultados, pero no aade ninguna informacin sobre la que contendra una tabla de frecuencias; el objetivo de las grficas es que la informacin impacte directamente al lector y que se exprese el perfil de la distribucin, pero no debe

olvidarse el rigor en aras de la esttica: las grficas deben reflejar fielmente lo que tratan de representar, fundamentalmente las frecuencias de cada modalidad o valor. Por ello la regla fundamental para la construccin de una grfica es que: Las reas (o longitudes) han de ser proporcionales a las frecuencias, condicin inexcusable para que una grfica sea correcta. Adems, con carcter general puede recomendarse que el pie de la grfica explique convenientemente de qu se trata, que no se intente representar demasiada informacin en una sola grfica, que los detalles sean lo suficientemente visibles, etc. Existen diversos tipos de grficas, cada uno de ellos adecuado a un cierto tipo de variables, por lo que podemos clasificar las grficas atendiendo a estos tipos. As, para caracteres o variables CUALITATIVAS se pueden mencionar: El diagrama de barras o rectngulos, consistente en asociar a cada modalidad de la variable un rectngulo cuya superficie refleje su frecuencia: las modalidades se suelen situar en horizontal y la escala de frecuencias absolutas o relativas en vertical. Si las bases de los rectngulos se dibujan todas iguales, par cumplir la regla fundamental antes citada basta tomar como alturas de los rectngulos directamente las frecuencias, sin mayor complicacin (el rectngulo de una modalidad con frecuencia 7 tendr altura 7 y as con todas). Los rectngulos suelen representarse separados en este tipo de grficas, que tambin pueden aparecer con las barras horizontales y las modalidades situadas verticalmente. El diagrama de sectores, que refleja como sectores de un crculo las frecuencias de cada modalidad. Como el radio es constante en un crculo, para cumplir la regla fundamental de proporcionalidad basta hacer al ngulo de cada sector proporcional a la frecuencia, lo que se consigue multiplicando los 360 del crculo por la frecuencia relativa de cada modalidad. Este tipo de grficas es muy til para comparar los resultados de una variable cualitativa en dos o ms muestras. Hay otras grficas menos frecuentes pero igualmente vlidas para variables cualitativas; cabe citar los pictogramas, en los que se representa una misma figura para cada modalidad pero con tamao proporcional a las frecuencias (pictograma por extensin) o una misma figura repetida tantas veces como sea necesario para reflejar la frecuencia de cada modalidad (pictograma por repeticin), los cartogramas, en los que se representa cada modalidad sobre puntos o regiones de un mapa, o los diagramas de superficie, en los que se divide una figura geomtrica, generalmente un rectngulo, en trozos proporcionales a las frecuencias. Por su parte, para variables CUANTITATIVAS los tipos de grficas ms importantes son los siguientes: Para variables discretas, el diagrama de segmentos. Las variables discretas toman valores aislados, como puntos sueltos, en la recta de los nmeros; sta suele representarse horizontalmente con los valores negativos a la izquierda del cero y los positivos a la derecha; por esos puntos sueltos, la grfica adecuada para las variables discretas es el diagrama de segmentos, en el que sobre cada valor de la variable se coloca verticalmente un segmento que tiene una longitud proporcional a su frecuencia; as se consigue que la abscisa (horizontal) refleje los valores y que la ordenada (vertical) exprese las frecuencias de la variable. Es lo mismo usar para ello frecuencias absolutas o relativas, ya que las dos clases de frecuencias son a su vez proporcionales por la propia definicin de frecuencia relativa; por ello podemos hacer el diagrama con frecuencias absolutas o relativas, a voluntad. Junto con el diagrama de segmentos, puede dibujarse una lnea quebrada que una los extremos superiores de los segmentos, que se llama polgono de frecuencias; a veces este polgono (que matemticamente no es tal, sino una poligonal) se representa slo, como si se hubieran borrado los segmentos verticales. El polgono de frecuencias tambin puede usarse junto con:

El histograma o histograma de rectngulos, que es la grfica adecuada para representar variables cuantitativas continuas. Estas variables cubren tericamente con sus valores a la recta de los nmeros reales, o al menos de un cierto intervalo, de manera que infinitamente junto a un valor se encontrara otro y no se producen saltos entre ellos. En la prctica, esto se traduce en que casi siempre se maneja un gran nmero de valores distintos y ello hace poco adecuado para estas variables un diagrama de segmentos; por ello, y para respetar la continuidad de la variable, lo que se hace es agrupar los valores en intervalos y grficamente se representan rectngulos yuxtapuestos cuyas bases descansan sobre la horizontal y cuyas alturas son tales que el rea de cada rectngulo sea proporcional a la frecuencia de cada intervalo. A veces estos histogramas son llamados errneamente diagramas de barras. 5. PARAMETROS DE UNA DISTRIBUCION Se trata de resumir ms la informacin de una tabla o de una grfica, y de encontrar algunos valores lo ms simples posible que nos permitan dar informacin sobre la muestra o comparar dos muestras entre s. Para hacer ese resumen o informacin de los datos hay tres enfoques fundamentales: En primer lugar, dar un valor lo ms representativo posible de todos los valores de la muestra, que no sea, por tanto, ni de los ms bajos ni de los ms altos. As se crean las medidas parmetros de centralizacin, tendencia central o posicin central. En segundo lugar, y como complemento a lo anterior, dar una valoracin de hasta qu punto los datos se parecen entre s o bien estn muy diferenciados (dispersos); adems, cuanto ms se parezcan entre s los valores que nos salen, ms se parecern al representante o parmetro de centralizacin que elijamos, y mejor sera ste. Por todo esto conviene medir las diferencias internas de los datos mediante las medidas parmetros de dispersin. Finalmente, en tercer lugar, se puede tambin tratar de medir qu valor supera a una cierta porcin o proporcin de valores, o lo que es lo mismo, tratar de informar sobre la distribucin de la variable diciendo a cuntos de sus valores supera uno dado. Para ello se usan los cuantiles como medidas parmetros de posicin.

Definiremos a continuacin los ms importantes entre todos los parmetros de estos tres tipos y para ilustrar su clculo usaremos el ejemplo siguiente, donde los datos son el nmero de hermanos (excluido l mismo) de una muestra de 13 nios; presentamos los datos ordenados de menor a mayor para mejor comprensin, pero en principio los datos nos vendran en cualquier orden. Supongamos que son los siguientes: 0 0 0 0 1 1 1 2 2 3 4 5 7

Vamos a definir ahora las medidas ms importantes: Primer grupo: PARAMETROS DE CENTRALIZACION. Entre los parmetros de centralizacin, tambin llamados de tendencia central o de posicin central, tres son las definiciones destacables: La MODA: es el valor de la variable que tiene mayor frecuencia en la muestra, es decir, el que se repite ms (moda se asocia con lo ms frecuente). En nuestro ejemplo es el valor 0, que tiene una frecuencia absoluta de cuatro, que es la ms grande. La moda puede definirse para cualquier tipo de variables. Tambin se puede hablar de moda local o secundaria, que sera cualquier valor ms frecuente que sus adyacentes, es decir, con ms frecuencia que la que tengan el anterior y el posterior, lo que requiere al menos orden en los datos; no hay ninguna moda secundaria en nuestro ejemplo. La MEDIANA: es el valor que est en el centro de la distribucin, es decir, el valor que supera a la mitad de los de la muestra y se ve superado por la otra mitad (salvo empates en ambos casos); se calcula buscando

el valor de la muestra que ocupa el lugar (n+1)/2, con los datos ordenados. En nuestro ejemplo es el valor 1, que corresponde al sptimo lugar (que deja seis por debajo y seis por encima). La mediana no puede definirse para variables cualitativas puras, sino slo para ordinales y cuantitativas, ya que necesita un orden en los datos. La MEDIA MEDIA ARITMETICA: es el centro de gravedad de la distribucin, o fiel de la balanza entre todos los datos. Se calcula sumando los datos y dividiendo entre el tamao de la muestra, esto es, entre el nmero de datos. En nuestro ejemplo, la suma de los datos es 26 y el nmero de ellos 13, de forma que la media vale 26/13 = 2.00 ; por su propia naturaleza, la media slo es definible para variables cuantitativas, ya que si no hay nmeros no se puede sumar. Es la ms importante de las medidas de centralizacin y en general de todos los parmetros estadsticos y al ser centro de gravedad tiene la propiedad de que si hallamos las diferencias de cada dato con ella (llamadas desviaciones), la suma de estas diferencias o desviaciones es SIEMPRE CERO para cualquier distribucin de cualquier variable, lo que resulta clave para la definicin de las medidas de dispersin. En nuestro ejemplo, con media de 2, las desviaciones (que se obtienen restando cada dato menos la media) son: -2 -2 -2 -2 -1 -1 -1 0 0 +1 +2 +3 +5

que como puede calcularse suman cero (las negativas, que proceden de datos inferiores a la media, suman 11, y las positivas, que proceden de datos superiores a la media, suman +11, de modo que todas suman 0). Existen otras medidas de centralizacin de uso menos frecuente, como la media ponderada (que es una media aritmtica con distintos pesos de importancia para los distintos datos), la media geomtrica (raz ensima del producto de los datos) o la media armnica (la inversa de la media aritmtica de los inversos de los datos). Segundo grupo: PARAMETROS DE DISPERSION. Por su parte, las medidas de dispersin se basan en la idea de medir las diferencias entre unos datos y otros midiendo las diferencias de cada dato con la media, esto es, usando las desviaciones; sin embargo, como stas siempre suman cero, es preciso considerar su valor absoluto o su cuadrado para que ello no ocurra (seran ya todas positivas). Las ms importantes medidas de dispersin son las siguientes: La DESVIACION ABSOLUTA MEDIA: es la media aritmtica de los valores absolutos de las desviaciones, por lo que se calcula tomando como positivas todas las desviaciones, sumndolas y dividiendo entre n; en nuestro ejemplo la suma de los valores absolutos (no confundir con frecuencias absolutas, que no tiene nada que ver) sale 22 y por tanto la desviacin absoluta media vale 22/13 = 1.69 ; el tener que usar valores absolutos complica los desarrollos matemticos con este parmetro y por eso se usa poco, pese a su valor intuitivo. Es mucho ms importante: La VARIANZA: es la media aritmtica de los cuadrados de las desviaciones, por lo que se calcula elevando al cuadrado cada desviacin, sumando esos cuadrados y dividiendo entre n; en nuestro ejemplo resulta 58 la suma de cuadrados de las desviaciones, con lo que la varianza es 58/13 = 4.46 ; el cuadrado es matemticamente mucho ms manejable que el valor absoluto, lo que hace de la varianza la reina de los parmetros de dispersin desde un punto de vista terico. Sin embargo, el hecho de que carezca de interpretacin intuitiva y que sus unidades sean cuadradas (hermanos cuadrados?) hace que es la prctica se use mucho ms su raz cuadrada, la DESVIACION STANDARD o DESVIACION TIPICA, con mucho la ms usada de las medidas de dispersin, y que en nuestro ejemplo valdra 2.11, con lo que el informe ms habitual para nuestros datos dara una media de 2.00 y la desviacin tpica de 2.11 como parmetros ms informativos. Por motivos difciles de explicar aqu, relacionados con cuestiones de inferencia estadstica, es ms recomendable usar el denominador n-1 en lugar del n al calcular la varianza y la desviacin tpica de una muestra, quedndose el n para el caso en que se conoce toda la poblacin; en nuestro ejemplo, pues, sera mejor calcular como varianza 58/12 = 4.83 y como desviacin standard su raz cuadrada 2.20 (estos ltimos seran la varianza muestral o quasivarianza y la desviacin tpica muestral y seran los utilizados en la prctica, aunque la definicin terica sea con denominador n por ser la varianza una "media"). A efectos comparativos entre distintas muestras e incluso entre distintas variables, se define:

El COEFICIENTE DE VARIACION, que es el cociente, a menudo expresado en tanto por ciento, entre la desviacin tpica y la media de una distribucin. Es una especie de desviacin tpica relativa, y en nuestro ejemplo valdra 2.2011/2.00 = 1.100055 bien 11005.05% (ntese que no es un verdadero porcentaje, porque puede valer ms del 100%); este resultado indicara mucha dispersin en los datos del ejemplo en relacin con la media. Adems de las citadas, la ms simple de las medidas de dispersin es el RANGO, RECORRIDO AMPLITUD, que es la diferencia entre el valor mximo y el mnimo de la muestra, y que indica qu extensin de la recta de los nmeros ocupan los datos de nuestra muestra. Tercer grupo: CUANTILES O PARAMETROS DE POSICION Los cuantiles completan el cuadro de los parmetros de una distribucin. En cierto modo pueden ser considerados como medidas de centralizacin (de hecho la mediana es uno de ellos) y tambin como medidas de dispersin (algunas pueden construirse a partir de ellos) pero en realidad son medidas de posicin. Se define el cuantil p como aquel valor de la variable (que puede estar o no en la muestra) que supera al p% de los datos de la muestra; resultan tiles slo cuando la muestra es numerosa y permiten saber en que posicin se encuentra un valor dado con respecto al conjunto de una muestra o poblacin. Se definen entre los ms importantes: Los CUARTILES, que definen las cuartas partes de la muestra mediante tres cortes: el primer cuartil deja por debajo al 25% de la distribucin, el segundo coincide con la mediana y el tercero deja por debajo al 75% de la distribucin. No tienen mucho sentido en muestras pequeas, pero en nuestro ejemplo valdran respectivamente 0, 1 y 3.5 (que estn situados en las posiciones tercera y media, sptima y dcima y media de los datos ordenados). Los DECILES, que dan nueve cortes para definir de diez en diez por ciento los valores de la distribucin; as, el primer decil deja por debajo una dcima parte de la distribucin, el segundo dos dcimas partes, etc., hasta nueve deciles. Los PERCENTILES, que son como los deciles pero de uno en uno por ciento, y por tanto son noventa y nueve; por ejemplo, el percentil 37 deja por debajo al 37% de la distribucin, y est claro que no tienen sentido en muestras tan pequeas como la de nuestro ejemplo, ya que trece elementos no se pueden partir en cien partes. Todos los cuantiles son definibles sobre variables cuantitativas o sobre cualitativas ordinales, porque requieren siempre que los datos estn ordenados. Los cuantiles ms prximos al percentil 50, como la propia mediana o los cercanos a ella, pueden considerarse como parmetros de centralizacin y sin embargo los ms lejanos al centro ayudan a medir la dispersin; por ejemplo, si restamos el tercer cuartil menos el primero obtenemos el RANGO INTERCUARTLICO, que es una medida de dispersin. Con el rango intercuartlico estamos midiendo la extensin que nos cubre la mitad central de nuestros datos; recurdese que el RANGO era la extensin cubierta por toda la muestra ordenada (se define como mximo menos mnimo), mientras que el RANGO INTERCUARTILICO es la extensin cubierta por la mitad central de los datos ordenados, excluyendo la cuarta parte inicial (los que son inferiores al primer cuartil) y la cuarta parte final (los que son superiores al tercer cuartil).

CognoSfera
www.ugr.es/local/rruizb/cognosfera