Este temario corresponde en exclusiva a la especialidad de Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (código 590/512) — una de las aproximadamente 50 especialidades oficiales de este cuerpo. No cubre ninguna otra especialidad de Secundaria (Lengua Castellana y Literatura, Geografía e Historia, Física y Química, Biología y Geología, Inglés, Filosofía, Tecnología, Dibujo, Música...) ni los cuerpos de Maestros o de Profesores Técnicos de Formación Profesional, que tienen temarios propios y distintos, todavía no publicados en OpositaGratis. El cuestionario específico (Parte A) que se reproduce aquí es el fijado con carácter estatal por el entonces Ministerio de Educación y Ciencia, y sigue siendo, más de tres décadas después, el temario base que las distintas Administraciones educativas —las 17 comunidades autónomas más Ceuta y Melilla, cada una competente para convocar su propia oposición— citan y desarrollan en sus resoluciones de convocatoria anual, al no existir una versión posterior que lo haya derogado o sustituido con carácter general para esta especialidad. Cada convocatoria autonómica concreta puede añadir particularidades propias (requisitos lingüísticos en comunidades con lengua cooficial, la prueba de programación y unidad didáctica, u otras variaciones menores de redacción), que no están reflejadas en este índice.
Este tema desarrolla en profundidad el cálculo, el significado y las propiedades matemáticas de los parámetros estadísticos —medidas de centralización, de posición, de dispersión y de forma— que en el tema 57 se enunciaron solo de manera introductoria, con las precisiones sobre datos agrupados, propiedades de cambio de origen y escala, y relaciones entre los parámetros. Es, junto con el tema 59, uno de los temas más operativos del bloque, con un fuerte componente de cálculo que suele materializarse en el examen mediante supuestos prácticos sobre tablas de frecuencias, y exige un dominio riguroso tanto de las fórmulas como de las propiedades algebraicas que las relacionan entre sí (como el teorema de König) y de los criterios para decidir qué parámetro es más informativo o más robusto según la forma de la distribución analizada.
La media aritmética x̄ de un conjunto de datos es el cociente entre la suma de todos los valores observados y el número total de observaciones; para datos agrupados en una tabla de frecuencias se calcula como x̄ = Σ(xᵢ·nᵢ)/N = Σ(xᵢ·fᵢ), empleando la marca de clase como representante de cada intervalo si la variable está agrupada. Sus propiedades fundamentales son: la suma de las desviaciones de los datos respecto a la media es siempre nula, Σ(xᵢ-x̄) = 0, lo que la caracteriza como el centro de gravedad de la distribución; la media minimiza la suma de los cuadrados de las desviaciones respecto a cualquier valor, es decir, Σ(xᵢ-x̄)² es menor que Σ(xᵢ-k)² para cualquier otro valor k distinto de x̄, propiedad que fundamenta su uso en el método de mínimos cuadrados; y si a todos los datos se les suma una constante o se multiplican por ella, la media queda afectada de la misma manera (linealidad: la media de a·xᵢ+b es a·x̄+b). Su principal inconveniente es la sensibilidad a los valores extremos o atípicos, que pueden desplazarla considerablemente respecto al grueso de las observaciones, razón por la que en distribuciones muy asimétricas conviene complementarla o sustituirla por la mediana.
Media ponderada
La media ponderada generaliza la media aritmética simple al caso en que no todos los valores de la variable deben contribuir con la misma importancia al promedio final, asignando a cada valor xᵢ un peso o ponderación wᵢ que refleja su relevancia relativa, y calculándose como x̄ₚ = Σ(xᵢ·wᵢ)/Σwᵢ. Es formalmente equivalente a la media aritmética de una tabla de frecuencias, en la que las frecuencias nᵢ desempeñan precisamente el papel de pesos wᵢ, lo que evidencia que la media aritmética de datos agrupados no es más que un caso particular de media ponderada en el que el peso de cada valor es su frecuencia de aparición. Su aplicación más habitual en el ámbito educativo es el cálculo de la nota media de una asignatura cuando distintas evaluaciones o instrumentos de evaluación (exámenes, trabajos, prácticas) tienen distinto porcentaje de importancia asignado en los criterios de calificación; también se emplea en el cálculo de índices económicos, como el Índice de Precios de Consumo, en el que cada bien o servicio de la cesta se pondera según su peso relativo en el gasto de los hogares. Un error conceptual frecuente del alumnado es confundir la media ponderada con la media aritmética simple de las medias parciales de cada grupo, que solo coinciden cuando todos los grupos tienen exactamente el mismo tamaño.
Mediana: definición y cálculo
La mediana Me es el valor de la variable que ocupa la posición central de los datos una vez ordenados de menor a mayor, de modo que deja por debajo de sí a la mitad de las observaciones y por encima a la otra mitad. Para datos no agrupados, si el número total de datos N es impar, la mediana es el valor que ocupa exactamente la posición (N+1)/2; si N es par, se toma como mediana la media aritmética de los dos valores centrales, en las posiciones N/2 y N/2+1. Para datos agrupados en intervalos de clase, la mediana se calcula localizando primero el intervalo mediano, es decir, aquel en el que la frecuencia acumulada alcanza por primera vez o supera N/2, y aplicando después la fórmula de interpolación lineal Me = Lᵢ + [(N/2 - Nᵢ₋₁)/nᵢ]·aᵢ, donde Lᵢ es el límite inferior del intervalo mediano, Nᵢ₋₁ la frecuencia acumulada del intervalo anterior, nᵢ la frecuencia absoluta del intervalo mediano y aᵢ su amplitud. La mediana tiene la propiedad fundamental de ser robusta frente a valores extremos o atípicos, ya que su valor depende únicamente de la posición de los datos centrales y no de la magnitud concreta de los valores más alejados, lo que la convierte en la medida de centralización preferible en distribuciones muy asimétricas o con outliers relevantes.
Moda y bimodalidad
La moda Mo es el valor de la variable que presenta la mayor frecuencia absoluta dentro del conjunto de datos, y es la única medida de centralización que puede calcularse legítimamente para variables cualitativas, además de para las cuantitativas. Para datos agrupados en intervalos de clase, se identifica primero el intervalo modal, aquel de mayor frecuencia absoluta, y se estima el valor concreto de la moda dentro de él mediante la fórmula de interpolación Mo = Lᵢ + [(nᵢ-nᵢ₋₁) / ((nᵢ-nᵢ₋₁)+(nᵢ-nᵢ₊₁))]·aᵢ (válida cuando los intervalos tienen la misma amplitud; si no, se trabaja con densidades de frecuencia), que tiene en cuenta las frecuencias de los intervalos adyacentes al modal para situar la moda más cerca del intervalo de mayor frecuencia contigua. Una distribución puede ser unimodal (una única moda), bimodal (dos valores con la misma frecuencia máxima, o dos máximos relativos claramente diferenciados en su representación gráfica) o multimodal, y la presencia de bimodalidad es a menudo un indicio relevante de que el conjunto de datos analizado mezcla en realidad dos subpoblaciones distintas y heterogéneas entre sí (por ejemplo, las estaturas de un grupo mixto de hombres y mujeres), lo que sugiere la conveniencia de desagregar el análisis por dicha variable oculta antes de calcular parámetros globales que podrían resultar poco significativos o directamente engañosos.
Media geométrica y media armónica
La media geométrica de un conjunto de n valores positivos se define como la raíz n-ésima del producto de todos ellos, G = ⁿ√(x₁·x₂·...·xₙ), y es la medida de centralización adecuada cuando los datos representan tasas de variación, crecimientos porcentuales o magnitudes que se multiplican entre sí en lugar de sumarse, como ocurre al calcular la tasa media de crecimiento anual de una magnitud económica a lo largo de varios años, donde la media aritmética de las tasas anuales proporcionaría un resultado incorrecto (se promedian los factores de crecimiento 1+r, no las tasas r). La media armónica H se define como el recíproco de la media aritmética de los recíprocos de los datos, H = n/Σ(1/xᵢ), y resulta la medida apropiada cuando los datos son razones o tasas expresadas como cociente entre dos magnitudes (por ejemplo, velocidades para un mismo trayecto recorrido, o precios por unidad cuando se compran cantidades iguales de dinero de un producto a precios distintos), casos en los que promediar aritméticamente los valores directos conduciría también a un resultado erróneo. Existe una relación de orden entre las tres medias para un mismo conjunto de datos positivos no todos iguales: la media armónica es siempre menor o igual que la media geométrica, y esta a su vez es siempre menor o igual que la media aritmética (H ≤ G ≤ x̄), igualándose las tres únicamente cuando todos los valores del conjunto de datos son idénticos entre sí.
Cuartiles, deciles y percentiles
Los cuartiles, deciles y percentiles son medidas de posición no central que generalizan el concepto de mediana, dividiendo el conjunto de datos ordenados en partes que contienen una proporción determinada de las observaciones. Los tres cuartiles (Q1, Q2, Q3) dividen los datos en cuatro partes iguales, cada una con el 25 % de las observaciones, coincidiendo el segundo cuartil Q2 exactamente con la mediana; los nueve deciles (D1 a D9) los dividen en diez partes iguales del 10 % cada una; y los noventa y nueve percentiles (P1 a P99) los dividen en cien partes iguales del 1 % cada una, siendo el percentil 50 de nuevo equivalente a la mediana. Su cálculo para datos agrupados sigue exactamente el mismo procedimiento de interpolación lineal empleado para la mediana, sustituyendo N/2 por la posición correspondiente según la medida de posición buscada: para el cuartil k-ésimo, la posición de referencia es k·N/4; para el percentil k-ésimo, k·N/100. Estas medidas son especialmente útiles para situar a un individuo concreto dentro de la distribución global ("su hijo se encuentra en el percentil 80 de estatura para su edad", indicando que supera al 80 % de la población de referencia) y son la base para el cálculo del rango intercuartílico y para la construcción del diagrama de caja y bigotes.
Rango y recorrido intercuartílico
El rango o recorrido de una distribución es la medida de dispersión más elemental, calculada como la diferencia entre el valor máximo y el valor mínimo del conjunto de datos, R = xₘₐₓ - xₘᵢₙ; su cálculo es inmediato pero tiene el grave inconveniente de depender exclusivamente de los dos valores extremos de la distribución, ignorando por completo la variabilidad del resto de los datos, lo que lo hace extremadamente sensible a la presencia de un único valor atípico y poco representativo de la dispersión real del grueso de las observaciones. El rango o recorrido intercuartílico (RIC), calculado como la diferencia entre el tercer y el primer cuartil, RIC = Q3 - Q1, resuelve precisamente esta limitación, ya que mide la amplitud del 50 % central de los datos, descartando el 25 % de valores más pequeños y el 25 % de valores más grandes, con lo que resulta mucho más robusto frente a valores extremos que el rango simple. El rango intercuartílico es, además, la magnitud que se emplea para determinar los límites de detección de valores atípicos en el diagrama de caja y bigotes (Q1 - 1,5·RIC y Q3 + 1,5·RIC), y constituye, junto con la mediana, un par de medidas de centralización y dispersión especialmente recomendable para distribuciones asimétricas o con outliers, en las que la media y la varianza pueden ofrecer una imagen distorsionada de la distribución real.
Varianza: definición y propiedades
La varianza σ² es la medida de dispersión de referencia en estadística, definida como la media aritmética de los cuadrados de las desviaciones de cada dato respecto a la media, σ² = Σ(xᵢ-x̄)²·fᵢ = Σ(xᵢ-x̄)²·nᵢ/N. Elevar al cuadrado las desviaciones, en lugar de simplemente sumarlas (lo que daría siempre cero, según la propiedad de la media), cumple dos funciones: evita que las desviaciones positivas y negativas se cancelen entre sí, y penaliza de forma más que proporcional a los valores más alejados de la media, otorgando mayor peso relativo a las observaciones más extremas. Entre sus propiedades algebraicas destacan que la varianza es siempre un número no negativo, siendo cero únicamente cuando todos los datos son idénticos entre sí (dispersión nula); que si a todos los datos se les suma una constante, la varianza no varía (es invariante ante traslaciones, Var(x+b) = Var(x)), ya que la dispersión relativa de los datos entre sí no cambia al desplazar en bloque toda la distribución; y que si todos los datos se multiplican por una constante a, la varianza queda multiplicada por el cuadrado de dicha constante (Var(a·x) = a²·Var(x)). Su principal inconveniente práctico es que se expresa en las unidades al cuadrado de la variable original, lo que dificulta su interpretación directa y justifica el uso complementario de la desviación típica.
Desviación típica
La desviación típica σ es la raíz cuadrada positiva de la varianza, σ = √σ², y se introduce precisamente para recuperar las unidades originales de la variable estudiada, perdidas al elevar al cuadrado las desviaciones en el cálculo de la varianza, lo que la convierte en la medida de dispersión más directamente interpretable y comparable con la propia media y con los datos originales de la distribución. Cuanto mayor es la desviación típica, mayor es la dispersión de los datos en torno a la media, y cuanto menor es, más concentrados están los valores alrededor de ella; una desviación típica igual a cero indica que todos los datos coinciden exactamente con la media, es decir, ausencia total de variabilidad. La desviación típica desempeña un papel central en numerosos resultados y aplicaciones estadísticas: es el parámetro que junto a la media caracteriza por completo a la distribución normal; es el denominador de la fórmula de tipificación de variables (z = (x-x̄)/σ); interviene en el denominador del coeficiente de variación para comparar dispersiones relativas de distribuciones con distinta unidad de medida; y es la magnitud sobre la que se construyen tanto la desigualdad de Chebyshev como la regla empírica del 68-95-99,7 % en distribuciones aproximadamente normales, ambas desarrolladas con detalle en los temas de distribuciones de probabilidad.
Propiedad de traslación (König) de la varianza
El teorema de König, o fórmula de traslación de la varianza, proporciona una expresión alternativa y computacionalmente más práctica para calcular la varianza sin necesidad de calcular previamente todas las desviaciones individuales respecto a la media: σ² = (Σxᵢ²·fᵢ) - x̄², es decir, la varianza es igual a la media de los cuadrados de los datos menos el cuadrado de la media de los datos. Esta fórmula se deduce desarrollando algebraicamente el cuadrado del binomio en la expresión original de la varianza, Σ(xᵢ-x̄)²·fᵢ = Σ(xᵢ²-2·xᵢ·x̄+x̄²)·fᵢ = Σxᵢ²·fᵢ - 2·x̄·Σxᵢ·fᵢ + x̄²·Σfᵢ, y simplificando teniendo en cuenta que Σxᵢ·fᵢ = x̄ y que Σfᵢ = 1, lo que conduce directamente a σ² = Σxᵢ²·fᵢ - x̄². Esta propiedad resulta especialmente útil en el cálculo manual o con calculadora científica de la varianza, ya que permite acumular simultáneamente, en un único recorrido de la tabla de datos, tanto la suma de xᵢ·fᵢ (para obtener la media) como la suma de xᵢ²·fᵢ (para obtener, junto con la media ya calculada, la varianza), evitando el doble recorrido de los datos que exigiría calcular primero la media y después, en una segunda pasada, cada desviación individual (xᵢ-x̄) elevada al cuadrado. Es, además, la fórmula que emplean internamente la mayoría de las calculadoras científicas y hojas de cálculo en sus funciones estadísticas.
Coeficiente de asimetría (Fisher/Pearson)
El coeficiente de asimetría cuantifica el grado y el sentido en que una distribución se aparta de la simetría perfecta respecto a su media. El coeficiente de asimetría de Fisher se define como el tercer momento central estandarizado, g₁ = [Σ(xᵢ-x̄)³·fᵢ]/σ³, mientras que el coeficiente de asimetría de Pearson ofrece una aproximación más sencilla de calcular, As = (x̄ - Mo)/σ, basada en la diferencia entre media y moda. En ambos casos, un valor igual a cero indica simetría perfecta de la distribución; un valor positivo indica asimetría positiva o a la derecha, en la que la distribución presenta una cola más larga hacia los valores altos (situación típica de la distribución de rentas, en la que la mayoría de la población se concentra en valores bajos o medios, pero unos pocos valores muy elevados estiran la cola derecha, cumpliéndose habitualmente, aunque no siempre, que Mo < Me < x̄); y un valor negativo indica asimetría negativa o a la izquierda, con una cola más larga hacia los valores bajos y la relación inversa entre las tres medidas de centralización, x̄ < Me < Mo. El coeficiente de asimetría es una herramienta diagnóstica clave para decidir qué medida de centralización resulta más representativa de una distribución: en distribuciones muy asimétricas, la mediana es preferible a la media, ya que esta última se ve arrastrada hacia la cola más larga.
Coeficiente de curtosis o apuntamiento
El coeficiente de curtosis o apuntamiento mide el grado de concentración de los datos en torno a la zona central de la distribución, en comparación con el grado de concentración que presentaría una distribución normal de la misma media y varianza, y se define habitualmente como el cuarto momento central estandarizado menos tres, g₂ = [Σ(xᵢ-x̄)⁴·fᵢ]/σ⁴ - 3, restando tres precisamente para que la distribución normal, tomada como referencia, presente un coeficiente de curtosis igual a cero. Una distribución se denomina mesocúrtica cuando su curtosis es igual a cero, presentando un apuntamiento similar al de la distribución normal; leptocúrtica cuando la curtosis es positiva, lo que indica una distribución más apuntada en el centro y con colas más pesadas que la normal (mayor probabilidad relativa tanto de valores próximos a la media como de valores muy extremos); y platicúrtica cuando la curtosis es negativa, indicando una distribución más aplanada, con los datos más uniformemente repartidos en un rango amplio de valores y colas más ligeras que la normal. La curtosis, junto con la asimetría, completa la caracterización de la forma de una distribución más allá de sus medidas de centralización y dispersión, y resulta especialmente relevante en el análisis financiero de series de rentabilidades, donde una curtosis elevada (leptocurtosis) indica un riesgo de sucesos extremos mayor del que sugeriría, por sí sola, la desviación típica de la serie.
Robustez de la mediana frente a valores atípicos
Se dice que un estadístico es robusto cuando su valor no se ve alterado de forma significativa por la presencia de un pequeño número de valores atípicos o extremos en el conjunto de datos, propiedad que posee la mediana de forma destacada y que no comparten la media ni la desviación típica. La mediana depende exclusivamente de la posición que ocupa el dato o los datos centrales una vez ordenado el conjunto, por lo que, si se sustituye el valor más alto de una distribución por un valor extraordinariamente mayor —o el más bajo por uno extraordinariamente menor—, la mediana permanece exactamente igual, siempre que dicho cambio no altere la posición relativa central de los datos; en cambio, la media se desplaza inevitablemente en la dirección del valor modificado, ya que su cálculo incorpora directamente la magnitud de todos y cada uno de los datos. Esta robustez explica por qué en indicadores socioeconómicos como el salario o la renta, en los que suele existir un pequeño número de valores extraordinariamente altos que distorsionarían gravemente la media, se prefiere habitualmente reportar la mediana (o el salario mediano) como medida más representativa de la situación del ciudadano "típico", frente a la media, que puede ofrecer una imagen sistemáticamente sesgada al alza de la realidad económica de la mayoría de la población.
Comparación entre media, mediana y moda según el tipo de distribución
La relación de orden entre media, mediana y moda es un indicador visual y numérico muy útil de la forma de una distribución, sin necesidad de calcular explícitamente el coeficiente de asimetría. En una distribución simétrica y unimodal, las tres medidas de centralización coinciden exactamente en el mismo valor, x̄ = Me = Mo, siendo este el caso paradigmático de la distribución normal. En una distribución con asimetría positiva o a la derecha (cola larga hacia valores altos), las tres medidas se ordenan como Mo < Me < x̄, ya que la media es la más sensible a la cola de valores extremos altos y se desplaza más hacia ella, mientras que la moda, situada en la zona de mayor concentración de datos, permanece más próxima a los valores bajos. En una distribución con asimetría negativa o a la izquierda (cola larga hacia valores bajos), el orden se invierte exactamente, x̄ < Me < Mo. Esta regla práctica, aunque no es matemáticamente exacta en absolutamente todos los casos posibles (existen distribuciones asimétricas que no la cumplen con total precisión), constituye una herramienta didáctica de gran utilidad para que el alumnado interprete de forma cualitativa la forma de una distribución a partir del simple cálculo y comparación de sus tres medidas de centralización básicas.
Momentos estadísticos de orden k
Los momentos estadísticos constituyen una familia unificada de medidas numéricas que generalizan y engloban formalmente a la mayoría de los parámetros estudiados en este tema. El momento no centrado de orden k respecto al origen se define como aₖ = Σxᵢᵏ·fᵢ, siendo el momento de orden 1 exactamente igual a la media aritmética, a₁ = x̄. El momento centrado de orden k respecto a la media se define como mₖ = Σ(xᵢ-x̄)ᵏ·fᵢ, siendo el momento centrado de orden 1 siempre igual a cero (propiedad ya vista de la media), el momento centrado de orden 2 exactamente igual a la varianza, m₂ = σ², el momento centrado de orden 3 (estandarizado dividiendo por σ³) la base del coeficiente de asimetría de Fisher, y el momento centrado de orden 4 (estandarizado dividiendo por σ⁴) la base del coeficiente de curtosis. Esta formulación unificada mediante momentos no es un mero ejercicio de generalización abstracta: pone de manifiesto que centralización (momento de orden 1), dispersión (momento de orden 2), asimetría (momento de orden 3) y curtosis (momento de orden 4) son aspectos sucesivos y jerárquicamente relacionados de la caracterización completa de una distribución de frecuencias, y constituye además la base matemática sobre la que se apoyan métodos de estimación de parámetros en estadística inferencial, como el método de los momentos.
Elección del estadístico adecuado según el contexto didáctico
La elección del parámetro estadístico más adecuado para resumir un conjunto de datos no es una cuestión puramente matemática, sino que depende del tipo de variable, de la forma de la distribución y del objetivo comunicativo o didáctico perseguido. Para variables cualitativas, la única medida de centralización con sentido es la moda, ya que la media y la mediana exigen que los valores admitan orden y operaciones aritméticas. Para variables cuantitativas con distribución aproximadamente simétrica y sin valores atípicos relevantes, la media y la desviación típica son las medidas más informativas, al aprovechar toda la información numérica disponible. Para variables cuantitativas con distribución claramente asimétrica o con presencia de valores atípicos, la mediana y el rango intercuartílico resultan preferibles por su robustez, evitando que unos pocos valores extremos distorsionen la interpretación global de la distribución. Desde el punto de vista didáctico, resulta especialmente valioso plantear al alumnado ejemplos en los que la elección incorrecta del parámetro (por ejemplo, reportar la media de los salarios de una empresa que incluye al director general con una retribución extraordinariamente alta) conduce a una imagen distorsionada de la realidad, frente a la elección correcta (la mediana salarial), desarrollando así tanto la competencia matemática de cálculo como la competencia crítica de interpretación de datos reales.
Relación entre la varianza y la dispersión de los datos respecto a la media
La varianza cuantifica de forma precisa la noción intuitiva de dispersión de un conjunto de datos respecto a su valor central, entendida como el grado medio de alejamiento de las observaciones individuales respecto a la media aritmética. Dos distribuciones pueden compartir exactamente el mismo valor de la media y, sin embargo, presentar varianzas radicalmente distintas si en una de ellas los datos están muy concentrados en torno a dicho valor central y en la otra se encuentran muy dispersos y alejados de él, lo que evidencia por qué ninguna medida de centralización debe interpretarse de forma aislada sin acompañarla de una medida de dispersión. El hecho de elevar al cuadrado las desviaciones individuales antes de promediarlas tiene como consecuencia matemática que la varianza no es una medida lineal de la dispersión, sino que penaliza de forma creciente y más que proporcional a los datos más alejados de la media: una observación que dista el doble de la media que otra contribuye cuatro veces más a la varianza total, no el doble. Esta propiedad hace que la varianza sea especialmente sensible a la presencia de valores atípicos, lo que debe tenerse en cuenta al interpretarla en distribuciones reales, y justifica que en presencia de outliers relevantes se recurra preferentemente al rango intercuartílico como medida de dispersión alternativa y más robusta.
Cálculo de parámetros estadísticos a partir de datos agrupados en intervalos
Cuando los datos de una variable cuantitativa continua, o discreta con muchos valores distintos, se presentan agrupados en una tabla de frecuencias con intervalos de clase, el cálculo de todos los parámetros estadísticos —media, varianza, cuartiles, moda— exige adoptar una convención simplificadora: se supone que todas las observaciones incluidas dentro de un mismo intervalo se concentran exactamente en su marca de clase, es decir, en el punto medio del intervalo, xᵢ = (Lᵢ + Lᵢ₊₁)/2. Esta convención introduce inevitablemente una cierta pérdida de precisión respecto al cálculo que se obtendría con los datos individuales originales sin agrupar, ya que en realidad los datos de cada intervalo pueden no distribuirse de forma uniforme ni concentrarse exactamente en su punto medio; el error introducido es tanto menor cuanto más estrechos sean los intervalos de clase empleados en la tabla. Las fórmulas de cálculo de la media y la varianza para datos agrupados son formalmente idénticas a las de datos no agrupados, sustituyendo simplemente cada valor individual xᵢ por la marca de clase correspondiente, mientras que para la mediana, los cuartiles y la moda es necesario recurrir a las fórmulas específicas de interpolación lineal dentro del intervalo, ya descritas en los apartados correspondientes de este mismo tema, que reparten proporcionalmente la posición buscada dentro de la amplitud del intervalo de clase relevante.
Uso de las medidas de posición para comparar distribuciones
Las medidas de posición no central —cuartiles, deciles, percentiles— permiten comparar la situación relativa de un individuo o de un subgrupo dentro de distribuciones distintas, o en momentos distintos de tiempo, con una riqueza informativa que las medidas de centralización por sí solas no pueden ofrecer. Situar a un individuo en un determinado percentil de una distribución de referencia (como ocurre habitualmente en las tablas de crecimiento pediátrico de peso y estatura, o en la interpretación de una puntuación de un test estandarizado) proporciona una información contextualizada mucho más útil que el simple valor absoluto de la medición, ya que indica qué proporción de la población de referencia queda por debajo de dicho valor. Comparar la evolución del percentil de un mismo individuo a lo largo del tiempo (por ejemplo, el percentil de estatura de un niño en sucesivas revisiones pediátricas) permite además detectar cambios relativos en su posición dentro de la distribución poblacional, información clínicamente relevante que la simple comparación de valores absolutos de estatura no proporcionaría. Del mismo modo, comparar el rango intercuartílico de dos distribuciones distintas (por ejemplo, las calificaciones de dos grupos de un mismo curso) permite valorar cuál de los dos presenta una mayor homogeneidad interna en el rendimiento del alumnado, información complementaria y a menudo más relevante didácticamente que la simple comparación de sus medias.
Interpretación conjunta de medidas de centralización, dispersión y forma
La caracterización estadística completa y rigurosa de una distribución de datos exige siempre la interpretación conjunta y combinada de sus medidas de centralización, de dispersión y de forma, ya que ninguna de ellas por separado ofrece una imagen fiel del conjunto de datos analizado. Reportar únicamente la media de una distribución, sin acompañarla de su desviación típica, oculta por completo el grado de homogeneidad o heterogeneidad de los datos; reportar media y desviación típica sin considerar el coeficiente de asimetría puede llevar a asumir implícitamente una simetría de la distribución (y, por extensión, la validez de la regla empírica del 68-95-99,7 % propia de la normal) que en realidad no se cumple; e ignorar la curtosis puede subestimar el riesgo real de valores extremos en distribuciones leptocúrticas, aunque estas compartan media y varianza con una distribución normal de referencia. Esta necesidad de interpretación conjunta constituye uno de los mensajes didácticos más importantes de todo el bloque de estadística descriptiva, y debe transmitirse al alumnado no como una acumulación mecánica de fórmulas y cálculos independientes entre sí, sino como un proceso analítico integrado en el que cada nuevo parámetro calculado aporta información adicional y complementaria sobre aspectos de la distribución que los parámetros anteriores no habían capturado todavía.
Cambio de origen y de escala: efecto sobre los parámetros
Si se transforman los datos mediante y = a·x + b, los parámetros cambian de forma predecible. La media, la mediana, la moda y los cuartiles se transforman igual que los datos (ȳ = a·x̄ + b, y análogamente Me, Mo, Q1, Q3; si a es negativo, Q1 y Q3 intercambian sus papeles). La varianza solo se ve afectada por la escala: Var(y) = a²·Var(x), y la desviación típica σ_y = |a|·σ_x. El rango y el rango intercuartílico se multiplican por |a|. La tipificación z = (x - x̄)/σ es un caso particular (a = 1/σ, b = -x̄/σ) que da una variable de media 0 y desviación típica 1. Los coeficientes de asimetría y curtosis, al ser estandarizados, no cambian ante una transformación con a>0 (con a<0 la asimetría cambia de signo). El coeficiente de variación CV = σ/|x̄| (frecuentemente en %) mide la dispersión relativa y no tiene unidades, por lo que permite comparar la variabilidad de variables con unidades distintas; solo tiene sentido si la variable es de razón (media distinta de cero y datos positivos). Por ejemplo, si todos los salarios suben un 3 % y se añade un complemento fijo de 100 €, la media se transforma como y = 1,03x + 100, y la desviación típica se multiplica por 1,03 sin que el complemento fijo la afecte.
Varianza muestral y cuasivarianza
Cuando los datos son una muestra y el objetivo es estimar la varianza poblacional, se usa la cuasivarianza muestral s² = Σ(xᵢ-x̄)²/(n-1), que es un estimador insesgado de σ², mientras que la varianza muestral (con divisor n) tiende a subestimar la varianza poblacional. La relación entre ambas es s² = n/(n-1)·σ²_muestra. El divisor n-1 corresponde a los grados de libertad, porque las n desviaciones respecto a la media suman cero, de modo que solo n-1 son libres. Las calculadoras científicas suelen ofrecer ambas teclas (σₙ y σₙ₋₁), y es un error frecuente usar la que no corresponde. Atención al criterio de cada texto escolar: muchos currículos de secundaria trabajan solo con la varianza con divisor n (la descriptiva), mientras que la cuasivarianza aparece en inferencia. La desviación típica muestral s = √s² es sesgada para σ, aunque s² sí es insesgada.
Ejemplos resueltos de cálculo de parámetros
Datos no agrupados: 2, 4, 4, 6, 9 (N=5). Media = 25/5 = 5; mediana = 4 (posición 3); moda = 4; rango = 7. Desviaciones: -3, -1, -1, 1, 4; cuadrados: 9, 1, 1, 1, 16, suma 28; varianza = 28/5 = 5,6 y desviación típica ≈ 2,37. Por König: Σx²/N = 153/5 = 30,6, y 30,6 - 25 = 5,6. Cuasivarianza = 28/4 = 7 y s ≈ 2,65. Datos agrupados: intervalos [0,10), [10,20), [20,30), [30,40) con frecuencias 4, 12, 9, 5 (N=30). Marcas de clase 5, 15, 25, 35: x̄ = (20+180+225+175)/30 = 20. Mediana: N/2=15; las frecuencias acumuladas son 4, 16, 25, 30; intervalo mediano [10,20); Me = 10 + (15-4)/12·10 ≈ 19,17. Moda: intervalo modal [10,20); Mo = 10 + (12-4)/((12-4)+(12-9))·10 ≈ 17,27. Primer cuartil: posición 7,5, en [10,20): Q1 = 10 + (7,5-4)/12·10 ≈ 12,92; tercer cuartil: posición 22,5, en [20,30): Q3 = 20 + (22,5-16)/9·10 ≈ 27,22. Como Mo < Me < x̄ (17,27 < 19,17 < 20), la asimetría es positiva. Media geométrica: si una magnitud crece un 10 % un año y baja un 10 % al siguiente, el factor medio es √(1,1·0,9) ≈ 0,995, es decir, una caída media del 0,5 % anual, no un 0 %. Media armónica: si se va a 60 km/h y se vuelve a 40 km/h por el mismo camino, la velocidad media es 2/(1/60+1/40) = 48 km/h, no 50.
Desigualdad de Chebyshev, regla empírica y tipificación
La desigualdad de Chebyshev afirma que, para cualquier distribución con media y varianza finitas, la proporción de datos que dista de la media menos de k desviaciones típicas es al menos 1 - 1/k² (k>1): al menos el 75 % de los datos está en x̄ ± 2σ y al menos el 88,9 % en x̄ ± 3σ. Para distribuciones aproximadamente normales, la regla empírica da proporciones aproximadas del 68 %, 95 % y 99,7 % en x̄ ± σ, x̄ ± 2σ y x̄ ± 3σ. La tipificación z = (x - x̄)/σ expresa cuántas desviaciones típicas dista un dato de la media; permite comparar datos de distribuciones distintas (por ejemplo, una nota de 7 en un examen de media 5 y σ=1 equivale a z=2, frente a una nota de 8 en un examen de media 7 y σ=2, que equivale a z=0,5). Un dato con |z|>3 suele considerarse extremo. Hay que distinguir este criterio del criterio de Tukey basado en cuartiles.
Varianza de datos combinados y desviación media
Si se dispone de k grupos con tamaños nⱼ, medias x̄ⱼ y varianzas σⱼ², la media global es la media ponderada de las medias de grupo y la varianza global es la suma de la varianza dentro de los grupos (media ponderada de las σⱼ²) y la varianza entre grupos (varianza ponderada de las medias x̄ⱼ respecto a la media global): σ² = Σ(nⱼσⱼ²)/N + Σ nⱼ(x̄ⱼ - x̄)²/N. Esta descomposición, base del análisis de la varianza, muestra por qué la variabilidad total siempre es mayor o igual que la media de las variabilidades internas. Otras medidas de dispersión son la desviación media respecto a la media DM = Σ|xᵢ-x̄|fᵢ (menos sensible que la varianza a los valores extremos, aunque algebraicamente menos manejable) y la desviación mediana absoluta, MAD = mediana de |xᵢ - Me|, muy robusta. La media de las desviaciones absolutas respecto a la mediana es mínima (la mediana minimiza Σ|xᵢ-k|), igual que la media minimiza Σ(xᵢ-k)².
Cálculo de percentiles: convenios y herramientas
No existe un único convenio de cálculo de los cuartiles y percentiles para datos no agrupados: algunos textos toman la posición k·(N+1)/100, otros k·N/100 con redondeo hacia arriba y promedio si el resultado es entero, y los programas estadísticos y hojas de cálculo ofrecen distintos métodos (por ejemplo, las funciones inclusivas y exclusivas de Excel o los diferentes tipos de la función de cuantiles de R). Por eso es habitual que los resultados difieran ligeramente entre la calculadora, la hoja de cálculo y el libro de texto; en un examen se debe seguir el convenio indicado en el enunciado o declarar el empleado. Para datos agrupados con interpolación lineal se obtiene Pₖ = Lᵢ + [(k·N/100 - Nᵢ₋₁)/nᵢ]·aᵢ. En el aula se recomienda el uso de hoja de cálculo o GeoGebra para calcular parámetros, pero conservando el cálculo manual de ejemplos sencillos para fijar el significado de cada parámetro.
Ideas clave para el examen — memoriza esto
Media: Σ(xᵢ-x̄)=0 (centro de gravedad); minimiza Σ(xᵢ-k)²; sensible a valores extremos; invariante ante traslación/escala de forma lineal.
Media ponderada x̄ₚ=Σ(xᵢwᵢ)/Σwᵢ: la media aritmética de datos agrupados es un caso particular donde el peso es la frecuencia.
Mediana: robusta ante atípicos, se calcula por interpolación en el intervalo donde la frecuencia acumulada alcanza N/2.
Moda: única medida de centralización válida para variables cualitativas; la bimodalidad suele delatar una mezcla de subpoblaciones.
Orden H ≤ G ≤ x̄ entre media armónica, geométrica y aritmética (para datos positivos no todos iguales); geométrica para tasas de crecimiento, armónica para razones/velocidades.
Cuartiles/deciles/percentiles dividen los datos ordenados en 4/10/100 partes iguales; Q2=D5=P50=mediana.
Rango (solo extremos, muy sensible a atípicos) frente a rango intercuartílico RIC=Q3-Q1 (50% central, robusto); base de los límites del diagrama de caja.
Varianza σ²=Σ(xᵢ-x̄)²fᵢ; teorema de König: σ²=Σxᵢ²fᵢ - x̄² (fórmula de cálculo práctico en un solo recorrido de datos).
Propiedades de la varianza: invariante ante traslación (Var(x+b)=Var(x)), se multiplica por a² ante escala (Var(ax)=a²Var(x)).
Desviación típica σ=√σ²: recupera las unidades originales; base de la tipificación z=(x-x̄)/σ.
Asimetría (Fisher g₁ o Pearson As=(x̄-Mo)/σ): positiva si Mo<Me<x̄ (cola a la derecha), negativa si x̄<Me<Mo (cola a la izquierda), cero si simétrica.
Los momentos estadísticos (aₖ no centrados, mₖ centrados) unifican los parámetros: orden 1=media, orden 2=varianza, orden 3≈asimetría, orden 4≈curtosis.
En distribuciones asimétricas o con outliers: preferir mediana+RIC sobre media+desviación típica (ejemplo clásico: salario mediano frente a salario medio).
En datos agrupados por intervalos se usa la marca de clase como representante; el error de esta aproximación decrece con intervalos más estrechos.
Ninguna medida (centralización, dispersión, forma) debe interpretarse aislada: juntas dan la caracterización completa de una distribución.
Mo (agrupados, igual amplitud) = Lᵢ + [(nᵢ-nᵢ₋₁)/((nᵢ-nᵢ₋₁)+(nᵢ-nᵢ₊₁))]·aᵢ. Cuidado con los paréntesis del numerador.
y=ax+b: ȳ=ax̄+b; σ_y=|a|σ_x; Var(y)=a²Var(x); RIC se multiplica por |a|; asimetría invariante si a>0.
Cuasivarianza s²=Σ(xᵢ-x̄)²/(n-1) (insesgada); varianza con divisor n es la descriptiva. No confundir las teclas σₙ y σₙ₋₁.
Chebyshev: al menos 1-1/k² de los datos en x̄±kσ (75 % con k=2); regla 68-95-99,7 solo para distribuciones aproximadamente normales.
Coeficiente de variación CV=σ/|x̄|: dispersión relativa, sin unidades; solo para variables de razón.
Media global de grupos: media ponderada. Varianza total = varianza dentro de grupos + varianza entre grupos.
Media armónica de dos velocidades iguales en distancia (60 y 40 km/h) = 48 km/h; media geométrica de factores 1,1 y 0,9 ≈ 0,995.
12 preguntas sobre este tema, en orden aleatorio. Sin registro, sin límite de intentos.
Pregunta 1 de 120 aciertos
Si una distribución tiene asimetría positiva, lo habitual es que se cumpla:
Preguntas frecuentes
¿De qué trata el Tema 60 de Secundaria?
Este tema desarrolla en profundidad el cálculo, el significado y las propiedades matemáticas de los parámetros estadísticos —medidas de centralización, de posición, de dispersión y de forma— que en el tema 57 se enunciaron solo de manera introductoria, con las precisiones sobre datos agrupados, propiedades de cambio de origen y escala, y relaciones entre los parámetros. Es, junto con el tema 59, uno de los temas más operativos del bloque, con un fuerte componente de cálculo que suele materializarse en el examen mediante supuestos prácticos sobre tablas de frecuencias, y exige un dominio riguroso tanto de las fórmulas como de las propiedades algebraicas que las relacionan entre sí (como el teorema de König) y de los criterios para decidir qué parámetro es más informativo o más robusto según la forma de la distribución analizada.
¿Qué hay que memorizar del Tema 60 para el examen?
Media: Σ(xᵢ-x̄)=0 (centro de gravedad); minimiza Σ(xᵢ-k)²; sensible a valores extremos; invariante ante traslación/escala de forma lineal. Media ponderada x̄ₚ=Σ(xᵢwᵢ)/Σwᵢ: la media aritmética de datos agrupados es un caso particular donde el peso es la frecuencia. Mediana: robusta ante atípicos, se calcula por interpolación en el intervalo donde la frecuencia acumulada alcanza N/2. Moda: única medida de centralización válida para variables cualitativas; la bimodalidad suele delatar una mezcla de subpoblaciones. Orden H ≤ G ≤ x̄ entre media armónica, geométrica y aritmética (para datos positivos no todos iguales); geométrica para tasas de crecimiento, armónica para razones/velocidades. Cuartiles/deciles/percentiles dividen los datos ordenados en 4/10/100 partes iguales; Q2=D5=P50=mediana. Rango (solo extremos, muy sensible a atípicos) frente a rango intercuartílico RIC=Q3-Q1 (50% central, robusto); base de los límites del diagrama de caja. Varianza σ²=Σ(xᵢ-x̄)²fᵢ; teorema de König: σ²=Σxᵢ²fᵢ - x̄² (fórmula de cálculo práctico en un solo recorrido de datos). Propiedades de la varianza: invariante ante traslación (Var(x+b)=Var(x)), se multiplica por a² ante escala (Var(ax)=a²Var(x)). Desviación típica σ=√σ²: recupera las unidades originales; base de la tipificación z=(x-x̄)/σ. Asimetría (Fisher g₁ o Pearson As=(x̄-Mo)/σ): positiva si Mo<Me<x̄ (cola a la derecha), negativa si x̄<Me<Mo (cola a la izquierda), cero si simétrica. Curtosis g₂ (normal=0): leptocúrtica (>0, apuntada, colas pesadas), platicúrtica (<0, aplanada), mesocúrtica (=0). Los momentos estadísticos (aₖ no centrados, mₖ centrados) unifican los parámetros: orden 1=media, orden 2=varianza, orden 3≈asimetría, orden 4≈curtosis. En distribuciones asimétricas o con outliers: preferir mediana+RIC sobre media+desviación típica (ejemplo clásico: salario mediano frente a salario medio). En datos agrupados por intervalos se usa la marca de clase como representante; el error de esta aproximación decrece con intervalos más estrechos. Ninguna medida (centralización, dispersión, forma) debe interpretarse aislada: juntas dan la caracterización completa de una distribución. Mo (agrupados, igual amplitud) = Lᵢ + [(nᵢ-nᵢ₋₁)/((nᵢ-nᵢ₋₁)+(nᵢ-nᵢ₊₁))]·aᵢ. Cuidado con los paréntesis del numerador. y=ax+b: ȳ=ax̄+b; σ_y=|a|σ_x; Var(y)=a²Var(x); RIC se multiplica por |a|; asimetría invariante si a>0. Cuasivarianza s²=Σ(xᵢ-x̄)²/(n-1) (insesgada); varianza con divisor n es la descriptiva. No confundir las teclas σₙ y σₙ₋₁. Chebyshev: al menos 1-1/k² de los datos en x̄±kσ (75 % con k=2); regla 68-95-99,7 solo para distribuciones aproximadamente normales. Coeficiente de variación CV=σ/|x̄|: dispersión relativa, sin unidades; solo para variables de razón. Media global de grupos: media ponderada. Varianza total = varianza dentro de grupos + varianza entre grupos. Media armónica de dos velocidades iguales en distancia (60 y 40 km/h) = 48 km/h; media geométrica de factores 1,1 y 0,9 ≈ 0,995. Ejemplo agrupado: [0,10),[10,20),[20,30),[30,40) con 4,12,9,5 -> x̄=20, Me≈19,17, Mo≈17,27, Q1≈12,92, Q3≈27,22. La mediana minimiza Σ|xᵢ-k|; la media minimiza Σ(xᵢ-k)²; los percentiles pueden diferir según el convenio de cálculo utilizado.
¿Hay preguntas de test de este tema exacto?
Sí, 12 preguntas tipo test sobre este tema, en el apartado "Ponte a prueba" de esta misma página. Sin registro y sin límite de intentos.
¿De dónde sale el temario de este tema?
Del índice oficial de BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria)).
Fuentes de este desarrollo
Peña, D. (2002). Fundamentos de Estadística. Alianza Editorial.
Moore, D. S. y McCabe, G. P. Introducción a la práctica de la estadística. Antoni Bosch.
Real Decreto 217/2022, de 29 de marzo, por el que se establece la ordenación y las enseñanzas mínimas de la Educación Secundaria Obligatoria.
Real Decreto 243/2022, de 5 de abril, por el que se establecen la ordenación y las enseñanzas mínimas del Bachillerato.
Instituto Nacional de Estadística (INE): definiciones de medidas descriptivas.
Mientras tanto, practica con tests gratis de Secundaria.