1.

Qué es un parámetro estadístico

Un parámetro estadístico es una medida numérica que describe una característica
particular de una población. En estadística, una población se refiere a la totalidad de
elementos o individuos que tienen una característica común que se desea estudiar o
analizar. A diferencia de una muestra, que es un subconjunto de la población, un
parámetro es una constante que representa un valor exacto para la población
completa. Los parámetros se utilizan para resumir o describir propiedades esenciales
de la población, como la tendencia central, la dispersión o la relación entre
diferentes variables.
Ejemplos de parámetros incluyen:
 Media poblacional (μ): El promedio de todos los valores en la población.
 Varianza poblacional (σ²): Una medida de cuánto varían los valores de los
datos con respecto a la media de la población.
 Desviación estándar poblacional (σ): La raíz cuadrada de la varianza, que
indica la dispersión de los valores en las mismas unidades que los datos
originales.
 Proporción poblacional: La fracción de elementos en la población que tienen
una característica específica.
Los parámetros son fundamentales en la estadística descriptiva porque proporcionan
una visión completa de una población. Sin embargo, en la práctica, los parámetros
suelen ser desconocidos porque obtener datos de toda la población puede ser costoso
o inviable. En su lugar, se suelen tomar muestras representativas y se utilizan las
estadísticas de esas muestras para hacer inferencias sobre los parámetros
desconocidos de la población.
2. Qué es una medida de tendencia central
Una medida de tendencia central es un valor único que busca representar un
conjunto de datos mediante un punto central o típico. Su propósito es proporcionar
un resumen conciso que capture el "comportamiento general" o la ubicación central
de los datos. Las medidas de tendencia central son fundamentales para comprender
el comportamiento de un conjunto de datos, ya que permiten una comparación
sencilla entre diferentes conjuntos de datos y brindan una idea clara de lo que es
"típico" o "promedio" en esos datos.
Las tres principales medidas de tendencia central son:
 Media: La media es el promedio aritmético de todos los valores de un conjunto
de datos. Se calcula sumando todos los valores y dividiendo entre el número
total de datos. Es la medida más común y conocida de tendencia central. Sin
embargo, puede ser sensible a valores atípicos (outliers) que distorsionan su
valor, ya que cada valor en el conjunto de datos tiene el mismo peso en el
cálculo.
 Mediana: La mediana es el valor que divide un conjunto de datos ordenado de
menor a mayor (o de mayor a menor) en dos mitades iguales. A diferencia de la
media, la mediana no se ve afectada por valores extremos o atípicos. Esto la
convierte en una medida robusta que es particularmente útil en distribuciones
asimétricas o cuando los datos contienen valores muy grandes o pequeños que
podrían sesgar la media.
 Moda: La moda es el valor que aparece con mayor frecuencia en un conjunto de
datos. A diferencia de la media y la mediana, la moda puede tener más de un
valor si varios datos comparten la misma frecuencia máxima. Un conjunto de
datos puede ser unimodal (con una sola moda), bimodal (con dos modas) o
multimodal (con más de dos modas). En algunos casos, un conjunto de datos
puede no tener moda si todos los valores ocurren con la misma frecuencia.
Cada una de estas medidas de tendencia central tiene sus ventajas y desventajas, y la
elección de cuál usar depende del tipo de datos y los objetivos del análisis. La media
es útil para datos simétricos y distribuciones normales, la mediana es ideal cuando
los datos contienen outliers, y la moda es útil cuando se desea identificar el valor
más común.
3. Qué es la moda
La moda es una medida de tendencia central que representa el valor que aparece con mayor
frecuencia en un conjunto de datos. A diferencia de la media y la mediana, que están
influenciadas por los valores numéricos de los datos, la moda se basa únicamente en la
frecuencia de aparición de los valores. En otras palabras, la moda es el valor o los valores
que se repiten más veces dentro del conjunto de datos. A continuación, se describen los
diferentes aspectos clave de la moda:
 Moda Unimodal: Un conjunto de datos se considera unimodal cuando tiene un solo
valor que aparece con mayor frecuencia que los demás. Este valor es la moda de ese
conjunto.
 Moda Bimodal: Un conjunto de datos se considera bimodal cuando tiene dos valores
que aparecen con la misma frecuencia máxima. En este caso, ambos valores son
considerados modas.
 Moda Multimodal: Si un conjunto de datos tiene más de dos valores que ocurren con
la misma frecuencia máxima, se dice que es multimodal, y todos esos valores son
considerados modas.
 Sin moda: Un conjunto de datos se dice que no tiene moda si todos los valores tienen la
misma frecuencia, es decir, no hay ningún valor que se repita.
La moda es especialmente útil cuando se quiere identificar el valor más frecuente en un
conjunto de datos. Esto puede ser importante en áreas como el análisis de mercado, la
investigación social o los estudios de comportamiento, donde conocer la opción más
popular o común puede tener implicaciones significativas. Sin embargo, la moda puede no
ser representativa de todo el conjunto de datos, especialmente cuando los datos están
distribuidos de manera uniforme o son muy dispersos.
Un ejemplo de la moda en la vida cotidiana es el producto más vendido en una tienda. Si un
artículo se vende más veces que cualquier otro, ese artículo sería la "moda" de las ventas.
Aunque la moda es fácil de entender y calcular, a menudo no proporciona una imagen
completa del conjunto de datos, por lo que en muchos casos es más útil combinarla con
otras medidas de tendencia central, como la media o la mediana, para obtener una
descripción más precisa de los datos.
4. Qué es la media aritmética
La media aritmética es una de las medidas de tendencia central más fundamentales
en estadística. Se calcula sumando todos los valores de un conjunto de datos y
dividiendo el total entre el número de datos en el conjunto. Esta operación da como
resultado el valor promedio del conjunto. La fórmula general para calcular la media
aritmética es:
Media=∑Xin\text{Media} = \frac{\sum X_i}{n}Media=n∑Xi
Donde:
 ∑Xi\sum X_i∑Xi es la suma de todos los valores en el conjunto de datos.
 nnn es el número total de datos.
La media aritmética es particularmente útil cuando se desea obtener un valor
representativo de un conjunto de datos que tiene una distribución aproximadamente
simétrica o cuando no se encuentran valores atípicos significativos. Es el valor más
comúnmente utilizado en análisis de datos, y es aplicable a una amplia variedad de
contextos. Algunos ejemplos donde la media es útil incluyen el cálculo de salarios
promedio, el promedio de calificaciones de los estudiantes, o el cálculo de los
ingresos promedio de una población.
Una de las principales ventajas de la media aritmética es su simplicidad y la
facilidad con la que se puede calcular. Sin embargo, tiene una desventaja
significativa: es sensible a los valores atípicos. Los valores extremos, que están
mucho por encima o por debajo de la media, pueden sesgar significativamente el
cálculo de la media, haciendo que no sea representativa del centro de la distribución.
Por ejemplo, si en una empresa los salarios de la mayoría de los empleados son
similares, pero hay algunos salarios extremadamente altos, la media se verá
influenciada por esos salarios más altos, lo que puede dar una imagen incorrecta de
los ingresos típicos.
En estos casos, puede ser preferible utilizar otras medidas de tendencia central,
como la mediana, que no se ve afectada por valores atípicos.
5. Qué es la mediana
La mediana es una medida de tendencia central que representa el valor que se
encuentra en el centro de un conjunto de datos ordenado. A diferencia de la media,
que puede ser influenciada por valores atípicos o extremos, la mediana es más
robusta, ya que no depende de la magnitud de los valores, sino de su posición
relativa en el conjunto ordenado. Para encontrar la mediana, es necesario ordenar los
datos de menor a mayor (o de mayor a menor) y seleccionar el valor que se
encuentra en la posición central. Si el número de elementos en el conjunto es impar,
la mediana será el valor que ocupa la posición central. Si el número de elementos es
par, la mediana se obtiene promediando los dos valores centrales.
Cálculo de la mediana:
1. Si el número de observaciones (n) es impar, la mediana es el valor que se
encuentra en el medio de la distribución. Por ejemplo, en un conjunto de 5 datos
ordenados de menor a mayor, el tercer dato será la mediana.
2. Si el número de observaciones (n) es par, la mediana se calcula promediando los
dos valores centrales. Por ejemplo, en un conjunto de 6 datos ordenados, la
mediana será el promedio del tercer y cuarto valor.
La mediana es especialmente útil cuando se tienen conjuntos de datos con valores
extremos o outliers, ya que no se ve afectada por ellos. Por ejemplo, si se está
midiendo el ingreso de un grupo de personas y algunos individuos tienen ingresos
extremadamente altos, la media podría verse distorsionada por esos valores, pero la
mediana seguirá siendo representativa del centro de la distribución. Esto hace que la
mediana sea una medida más robusta y confiable en presencia de datos sesgados o
con valores atípicos.
 tan detallada de los datos como la media, ya que no utiliza todos los valores del
conjunto (solo depende de los valores en el centro).
 No tiene propiedades matemáticas tan convenientes para ciertos tipos de
análisis, como la regresión o el análisis de varianza.
6. Qué es la desviación media
La desviación media es una medida de dispersión que cuantifica el promedio de las
diferencias absolutas entre cada valor del conjunto de datos y la media del mismo
conjunto. Es decir, calcula cuán lejos están, en promedio, los valores de la media. La
desviación media es más fácil de interpretar que la varianza o la desviación estándar
porque no eleva al cuadrado las diferencias, lo que hace que los resultados se
expresen en las mismas unidades que los datos originales.
Cálculo de la desviación media:
1. Se calcula primero la media del conjunto de datos.
2. Luego, se determina la diferencia entre cada valor del conjunto y la media.
3. Se toma el valor absoluto de esas diferencias para evitar que los valores
positivos y negativos se cancelen entre sí.
4. Finalmente, se calcula el promedio de todas esas diferencias absolutas.
La fórmula general para la desviación media es:
Desviacioˊn Media=1n∑i=1n∣Xi−Xˉ∣\text{Desviación Media} = \frac{1}{n} \
sum_{i=1}^{n} |X_i - \bar{X}|Desviacioˊn Media=n1i=1∑n∣Xi−Xˉ∣
Donde:
 XiX_iXi es cada uno de los valores en el conjunto de datos.
 Xˉ\bar{X}Xˉ es la media del conjunto de datos.
 nnn es el número total de datos en el conjunto.
7. Qué es la varianza
La varianza es una medida estadística que describe la dispersión de un conjunto de
datos respecto a su media. En términos simples, la varianza mide cuán alejados
están los datos de su valor central, que en este caso es la media. La varianza se
calcula tomando las diferencias entre cada valor y la media, elevándolas al
cuadrado, sumándolas y luego dividiendo entre el número total de datos. Esta
operación le da mayor peso a las diferencias más grandes, lo que significa que las
desviaciones extremas tienen un impacto considerable sobre el valor de la varianza.
La fórmula general para calcular la varianza poblacional es:
Varianza=1n∑i=1n(Xi−Xˉ)2\text{Varianza} = \frac{1}{n} \sum_{i=1}^{n} (X_i - \
bar{X})^2Varianza=n1i=1∑n(Xi−Xˉ)2
Donde:
 XiX_iXi es cada uno de los valores en el conjunto de datos.
 Xˉ\bar{X}Xˉ es la media del conjunto de datos.
 nnn es el número total de datos.
Si estamos trabajando con una muestra en lugar de una población completa, la
fórmula cambia ligeramente para corregir el sesgo de la estimación, dividiendo por
n−1n-1n−1 en lugar de nnn. Esta es conocida como la varianza muestral.
Ventajas de la varianza:
 Permite ver la dispersión de los datos de una manera matemática precisa.
 Al elevar las diferencias al cuadrado, penaliza fuertemente las observaciones
alejadas de la media, lo que es útil cuando se desea dar más importancia a los
valores extremos.
Desventajas de la varianza:
 La varianza está medida en unidades cuadradas, lo que hace que su
interpretación sea menos directa y menos intuitiva. Por ejemplo, si estamos
midiendo alturas en metros, la varianza se expresaría en metros cuadrados, lo
que puede resultar difícil de interpretar.
 Debido a que las unidades no son las mismas que las de los datos originales, la
varianza es más difícil de aplicar en contextos prácticos donde se necesita una
medida directa de dispersión.
8. Qué es la desviación estándar
La desviación estándar es una medida estadística que indica cuán dispersos están
los datos en un conjunto en relación con su media. Se considera una de las medidas
de dispersión más importantes porque refleja cuán lejos están, en promedio, los
datos de la media, y tiene la ventaja de expresarse en las mismas unidades que los
datos originales, lo que facilita su interpretación. La desviación estándar se calcula
tomando la raíz cuadrada de la varianza.
La fórmula general para calcular la desviación estándar de una población es:
Desviacioˊn Estaˊndar=1n∑i=1n(Xi−Xˉ)2\text{Desviación Estándar} = \sqrt{\
frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^2}Desviacioˊn Estaˊndar=n1i=1∑n(Xi
−Xˉ)2
Si estamos trabajando con una muestra, la fórmula se ajusta de la siguiente manera
para corregir el sesgo en la estimación de la varianza:
Desviacioˊn Estaˊndar=1n−1∑i=1n(Xi−Xˉ)2\text{Desviación Estándar} = \sqrt{\
frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2}Desviacioˊn Estaˊndar=n−11
i=1∑n(Xi−Xˉ)2
Donde:
 XiX_iXi son los valores del conjunto de datos.
 Xˉ\bar{X}Xˉ es la media del conjunto de datos.
 nnn es el número total de datos.
 puede no ser una representación precisa de la dispersión de los datos.
9. Qué es la varianza
La varianza ya se mencionó previamente como una medida de dispersión que cuantifica la
distancia promedio al cuadrado entre cada punto de datos y la media. Sin embargo, su
importancia radica en que permite ver cuán extendidos o agrupados están los datos, y se
utiliza ampliamente en inferencia estadística, como la estimación de parámetros y la
comparación de distribuciones de datos.
La varianza se calcula sumando los cuadrados de las diferencias entre cada valor y la media
y luego dividiendo por el número total de observaciones, o por n−1n-1n−1 si se trata de una
muestra. Esto le da una mayor importancia a los valores que están más alejados de la media,
ya que sus diferencias se elevan al cuadrado.
Cálculo de la varianza poblacional:
Varianza=1n∑i=1n(Xi−Xˉ)2\text{Varianza} = \frac{1}{n} \sum_{i=1}^{n} (X_i - \
bar{X})^2Varianza=n1i=1∑n(Xi−Xˉ)2
Cálculo de la varianza muestral:
Varianza=1n−1∑i=1n(Xi−Xˉ)2\text{Varianza} = \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \
bar{X})^2Varianza=n−11i=1∑n(Xi−Xˉ)2
La varianza es crucial en muchos aspectos de la estadística avanzada y el análisis de datos.
Por ejemplo, se usa en el análisis de regresión para entender la dispersión de los errores y en
la estadística inferencial para calcular los intervalos de confianza.
Ventajas de la varianza:
 Es una medida precisa de dispersión que toma en cuenta la magnitud de las diferencias
entre los valores y la media.
 Es la base para el cálculo de la desviación estándar, que es más fácilmente interpretable
en muchos contextos.
Desventajas de la varianza:
 Debido a que se calcula elevando al cuadrado las diferencias, la varianza tiene unidades
cuadradas, lo que hace que su interpretación sea menos directa que la de la desviación
estándar

10. Qué son los cuantiles

Los cuantiles son valores que dividen un conjunto de datos en intervalos con igual
frecuencia. Los cuantiles son puntos de corte que dividen el conjunto de datos en
partes iguales o en subgrupos que contienen el mismo número de observaciones.
Existen varios tipos de cuantiles, y son útiles en la estadística descriptiva para
identificar la distribución de los datos y su dispersión.
Los cuantiles más comunes son:
 Cuartiles: Dividen los datos en cuatro partes iguales. Existen tres cuartiles:
o El primer cuartil (Q1) es el valor que separa el primer 25% de los
datos.
o El segundo cuartil (Q2) es la mediana, que divide los datos en dos
mitades.
o El tercer cuartil (Q3) es el valor que separa el 75% inferior de los datos
del 25% superior.
11. Qué son los cuartiles
Los cuartiles son una herramienta estadística utilizada para dividir un conjunto de
datos en cuatro partes iguales, lo que permite conocer cómo se distribuyen los datos
en diferentes segmentos. Los cuartiles son particularmente útiles para analizar la
dispersión y la forma de la distribución de los datos, ya que dividen el conjunto de
datos de forma que cada parte contiene el 25% de las observaciones. Para calcular
los cuartiles, es necesario ordenar los datos de menor a mayor. Existen tres cuartiles
principales:
 Primer cuartil (Q1): Este cuartil marca el límite inferior del 25% de los datos.
Es decir, el primer cuartil es el valor que separa el 25% de los valores más
pequeños del conjunto de datos. Para calcularlo, se necesita encontrar el valor en
la posición que divide el primer 25% de los datos en un conjunto ordenado.
 Segundo cuartil (Q2): Este cuartil es el valor de la mediana, que divide el
conjunto de datos en dos mitades iguales. El segundo cuartil marca el valor que
se encuentra en el centro del conjunto de datos. Si hay un número impar de
datos, la mediana será el valor en el centro; si hay un número par de datos, la
mediana será el promedio de los dos valores centrales. Este cuartil es crucial
para entender la tendencia central de los datos.
12. Qué son los centiles
Los centiles (también conocidos como percentiles en algunos contextos) son
valores que dividen un conjunto de datos en 100 partes iguales, de tal manera
que cada parte contiene el 1% de las observaciones. Los centiles se utilizan
para proporcionar una visión aún más detallada de la distribución de los datos,
ofreciendo una segmentación muy precisa de los mismos. A menudo, los
centiles se utilizan en situaciones donde se requiere una evaluación más fina de
los datos o cuando se necesita examinar la posición relativa de un dato en una
distribución muy grande.
Por ejemplo, el centil 50 es el valor mediano, que es el valor que divide el
conjunto de datos en dos mitades iguales. Los centiles son especialmente útiles
en áreas como la medicina, la educación, el rendimiento académico y en
cualquier otra disciplina en la que se desee medir la distribución de un
conjunto de datos en términos de rangos muy específicos.
Cálculo de los centiles:
 Para calcular un centil específico, primero se ordenan los datos de menor a
mayor.
 Luego, se identifica el valor que corresponde al percentil deseado. Por
ejemplo, el percentil 25 (o primer cuartil) es el valor que marca el límite del
25% inferior de los datos.
Los centiles más comunes son:
 Percentil 10 (P10): El valor por debajo del cual se encuentra el 10% de los
datos. Indica que el 10% de los datos están por debajo de este valor.
 Percentil 25 (P25): También conocido como el primer cuartil (Q1), es el
valor por debajo del cual se encuentra el 25% de los datos.
 Percentil 50 (P50): Conocido como la mediana (Q2), es el valor que divide el
conjunto de datos en dos mitades iguales.