Medidas de tendencia central: media, mediana y moda

Todo en un solo Sitio

Todo lo que Necesitas para Mejores Calificaciones en la Universidad, Preparatoria, Secundaria y Primaria.

Aprende con Facilidad

Hemos perfeccionado los planes de estudio para que puedas estudiar con confianza.

Ayuda Instantánea e Ilimitada

Obtén los mejores consejos, explicaciones y preguntas de práctica.

0/1
?
Introducción
Lecciones
  1. Media, Mediana y Moda
0/3
?
Ejemplos
Lecciones
  1. Determine the mean of each set of data:
    1. {8, 5, 2, 12, 3}
  2. Determina la mediana de cada conjunto de datos siguiente:
    1. {8, 5, 2, 12, 3}
  3. Determina la moda de cada conjunto de datos:
    1. {8, 5, 2, 12, 5}
Notas del Tema
?
Hay tres herramientas matemáticas principales en estadística para describir el centro de un conjunto de datos, a estas se les llaman medidas de tendencia central y son:

La media (también llamada promedio):
Se representa con la letra X\over X\, o μ \, \mu . La media es el promedio aritmético del conjunto de datos.

x=x1+x2...+xnn\large \overline{x} = \frac{ x_{1} \, + \, x_{2} \, ... \, + x_{n} } {n}

Donde las xx son cada uno de los valores del conjunto.
nn es el número de datos en el conjunto.

La mediana:
Una vez que se han ordenado de menor a mayor todos los datos en un conjunto, la mediana es el valor de en medio de esta lista.

Si el número nn (cantidad de datos en el conjunto) es un número par, la mediana del conjunto es el promedio de los dos valores de en medio una vez que se han ordenado de menor a mayor.

La moda:
El valor que se puede encontrar más veces repetido dentro del conjunto de datos.

Los valores más extremos no afectan a la mediana, pero si afectan a la media (promedio).

La media ponderada (xponderada\overline{x}_{ponderada}): Es el promedio aritmético cuando los datos en un conjunto tienen una importancia o peso relativo a todos los demás y por lo tanto, unos pesan o contribuyen al tipo de distribución más que otros.

xponderada=\large \overline{x}_{ponderada}= i=1nxiwii=1nwi\frac{\sum_{{i=1}}^{n}x_i \cdot w_i}{\sum_{{i=1}}^{n}w_i}