Tabla de frecuencias en estadística

La tabla de frecuencias es una herramienta fundamental en estadística descriptiva que organiza y resume datos para facilitar su análisis. Consiste en una estructura que muestra los valores distintos de una variable y la cantidad de veces que cada uno aparece en un conjunto de datos, permitiendo transformar una lista numérica o categórica caótica en información clara y manejable.

Estas tablas son el primer paso para entender la distribución de los datos antes de aplicar medidas de tendencia central o dispersión. Sin esta organización inicial, analizar grandes volúmenes de información, como las notas de un curso o las ventas mensuales de una empresa, resultaría complejo y propenso a errores visuales.

Definición y concepto

Una tabla de frecuencias es una estructura organizada que resume la información contenida en un conjunto de datos. Su función principal es transformar una lista extensa y a menudo desordenada de valores en una visión clara de cómo se distribuye una variable. En lugar de leer cientos de números sueltos, el analista observa patrones, valores centrales y la dispersión general. Esto constituye el primer paso esencial en cualquier análisis estadístico descriptivo.

Componentes estructurales

La construcción de estas tablas sigue una lógica rigurosa que depende del tipo de variable que se esté estudiando. Todo el proceso comienza con la identificación de la variable, es decir, el carácter o atributo que se mide en la población o muestra. A partir de ahí, se organizan los datos en columnas específicas que cuantifican su presencia.

Las columnas fundamentales incluyen las frecuencias absolutas, relativas y acumuladas. La frecuencia absoluta indica simplemente cuántas veces aparece un valor o categoría. Es un conteo directo. La frecuencia relativa transforma ese conteo en una proporción, mostrando la fracción del total que representa cada valor. Finalmente, la frecuencia acumulada suma las frecuencias anteriores, permitiendo ver la progresión de los datos a lo largo de la distribución.

La forma de organizar estas columnas varía según la naturaleza de la variable. Es crucial distinguir entre variables cualitativas y cuantitativas antes de dibujar la primera fila.

Las variables cualitativas, también llamadas categóricas, describen cualidades o atributos no necesariamente numéricos. Ejemplos típicos incluyen el color de ojos, el tipo de sangre o la marca de un automóvil. En estos casos, las filas de la tabla corresponden a cada categoría única (modalidad) y el orden suele ser alfabético o por magnitud de frecuencia.

Las variables cuantitativas, en cambio, expresan cantidades numéricas. Estas se subdividen en discretas y continuas. Las variables discretas toman valores enteros contables, como el número de hijos en una familia o las faltas de un jugador. Las variables continuas pueden tomar cualquier valor dentro de un rango, como el peso corporal o la estatura, y suelen requerir la creación de intervalos o "clases" para agrupar los datos eficientemente. Las marcas de clase, que representan el punto medio de esos intervalos, son esenciales para el cálculo posterior de medidas de tendencia central.

Dato curioso: La distinción entre variable discreta y continua no siempre es tan obvia como parece. El tiempo, por ejemplo, es técnicamente continuo (puede medirse en horas, minutos, segundos o milisegundos), pero en muchas tablas de frecuencias se trata como discreto al redondearlo a días o semanas. Esta decisión de agrupación afecta directamente la precisión de los resultados.

El cálculo de las frecuencias relativas se realiza dividiendo la frecuencia absoluta de cada valor por el tamaño total de la muestra. Esta operación permite comparar conjuntos de datos de diferente tamaño.

fi​=Nni​​

Donde fi​ representa la frecuencia relativa, ni​ es la frecuencia absoluta del valor o clase i, y N es el total de observaciones. La suma de todas las frecuencias relativas debe ser igual a 1, o al 100% si se expresan como porcentajes. Esta propiedad sirve como un rápido control de calidad para verificar que no se han perdido datos durante el recuento.

Las frecuencias acumuladas, tanto absolutas como relativas, son particularmente útiles para responder preguntas como "¿qué porcentaje de la población tiene menos de X años?". Al sumar progresivamente las frecuencias, se obtiene una visión acumulativa que facilita la interpretación de la distribución completa. La última frecuencia acumulada siempre coincide con el total de la muestra, cerrando el ciclo del análisis descriptivo básico.

¿Qué tipos de frecuencias existen y cómo se calculan?

Las tablas de frecuencias organizan los datos mediante distintos indicadores numéricos. Cada uno aporta una perspectiva diferente sobre la distribución de la variable estudiada. No basta con contar cuántas veces aparece un dato; es necesario entender su peso relativo y su posición en el conjunto total. La elección del indicador adecuado depende del objetivo del análisis y del tipo de variable (cualitativa o cuantitativa).

Frecuencias básicas: absoluta, relativa y porcentual

La frecuencia absoluta es el dato más intuitivo. Se representa como fi y cuenta el número exacto de veces que se repite cada valor o categoría dentro del conjunto de datos. Es la base sobre la cual se construyen las demás medidas. Por ejemplo, si en una encuesta sobre preferencias de color el rojo aparece 15 veces, su frecuencia absoluta es 15.

La frecuencia relativa, denotada como hi, transforma ese conteo en una proporción. Se calcula dividiendo la frecuencia absoluta de cada categoría entre el total de observaciones (N). Este valor siempre oscila entre 0 y 1. Permite comparar conjuntos de datos de tamaños distintos, algo que la frecuencia absoluta por sí sola no logra con precisión.

La frecuencia porcentual, Hi, es simplemente la frecuencia relativa multiplicada por 100. Convierte la proporción en un porcentaje, lo que facilita la interpretación rápida para audiencias no especializadas. Si la frecuencia relativa es 0,25, la frecuencia porcentual será 25%.

Dato curioso: La notación con subíndores (como i para el índice de la categoría) proviene de la necesidad de distinguir cada fila de la tabla sin repetir el nombre completo de la variable en cada cálculo. Es un atajo matemático esencial para la claridad.

Frecuencias acumuladas

Las frecuencias acumuladas responden a la pregunta: "¿Cuántos datos hay hasta este punto?". Son fundamentales para entender la distribución progresiva de los datos, especialmente en variables cuantitativas ordenadas (como la edad o la estatura).

La frecuencia absoluta acumulada, Fi, suma la frecuencia absoluta de la categoría actual con todas las anteriores. Si la primera categoría tiene 5 datos y la segunda 10, la frecuencia acumulada de la segunda será 15. Este valor nunca disminuye a medida que avanzamos en la tabla.

La frecuencia relativa acumulada, a menudo también denotada como Hi en contextos específicos (aunque puede haber solapamiento de notación según la fuente), suma las frecuencias relativas anteriores. Indica la proporción total de datos que caen en o por debajo de un cierto valor. Es clave para calcular cuantiles como la mediana.

Resumen de fórmulas

La siguiente tabla sintetiza las fórmulas matemáticas para cada tipo de frecuencia. Es esencial recordar que N representa el número total de observaciones en el conjunto de datos.

El cálculo correcto de estas frecuencias requiere atención al detalle. Un error en la frecuencia absoluta se propaga a todas las demás. Verificar que la suma de las frecuencias absolutas dé N y que la suma de las relativas sea 1 (o muy cercano, por redondeo) es una práctica estándar de control de calidad en estadística descriptiva.

Construcción de tablas para variables cualitativas

La construcción de tablas para variables cualitativas, también conocidas como categóricas, sigue un procedimiento directo y sistemático. A diferencia de las variables numéricas, donde el orden y la distancia entre valores importan, aquí lo fundamental es la clasificación. El objetivo es agrupar los datos en categorías mutuamente excluyentes y exhaustivas. Esto significa que cada dato debe pertenecer a una sola categoría y ninguna observación debe quedar sin clasificar.

Procedimiento paso a paso

El primer paso consiste en identificar todas las categorías posibles de la variable. Por ejemplo, si estudiamos el "tipo de sangre" en un grupo de pacientes, las categorías serían A, B, AB y O. Es crucial listarlas todas antes de empezar a contar, para evitar que aparezca una categoría sorpresa al final. Una vez definidas las categorías, se procede al recuento de datos. Este proceso se llama "conteo" o "tallying". Se recorre la muestra y se marca una raya por cada aparición de una categoría.

El segundo paso es calcular las frecuencias. La frecuencia absoluta es simplemente el número de veces que aparece cada categoría. La frecuencia relativa es la proporción de la muestra que representa esa categoría. Se calcula dividiendo la frecuencia absoluta de cada categoría entre el total de observaciones. La frecuencia porcentual es esa misma proporción multiplicada por 100.

El tercer paso es organizar la información en la tabla. Una tabla estándar incluye columnas para la categoría, la frecuencia absoluta, la frecuencia relativa y la frecuencia porcentual. A veces se añade una columna de frecuencia acumulada, aunque en variables cualitativas sin orden natural (como el color de ojos) su utilidad es menor que en variables cuantitativas.

Ejemplo práctico

Supongamos que encuestamos a 20 estudiantes sobre su color de ojos preferido para una campaña escolar. Las respuestas son: azul, marrón, verde, azul, marrón, marrón, verde, azul, marrón, gris, marrón, azul, verde, marrón, gris, azul, marrón, verde, azul, marrón.

Primero, identificamos las categorías: azul, marrón, verde, gris. Ahora contamos:

• Azul: 6 veces
• Marrón: 7 veces
• Verde: 4 veces
• Gris: 3 veces

El total de observaciones es 20. Calculamos las frecuencias relativas:

Para el color azul: 206​=0.30. Para el marrón: 207​=0.35. Para el verde: 204​=0.20. Para el gris: 203​=0.15.

Las frecuencias porcentuales son: azul 30%, marrón 35%, verde 20%, gris 15%. La suma de las frecuencias relativas debe ser 1 y la suma de los porcentajes debe ser 100%. Esto sirve como verificación rápida de que no hubo errores de cálculo.

La tabla final se presenta así:

La tabla resume toda la información original en un formato claro. El marrón es la categoría más frecuente, seguido por el azul. El gris es la menos común. Esta estructura permite comparar rápidamente las categorías sin tener que revisar cada respuesta individual.

Dato curioso: En encuestas grandes, como las elecciones presidenciales, las tablas de frecuencias cualitativas son la base de los primeros resultados. Cada voto es una categoría (candidato), y la frecuencia absoluta determina al ganador. La simplicidad del método es su mayor fortaleza.

Es importante notar que el orden de las categorías en la tabla puede variar. Si la variable es nominal, como el color de ojos, no hay un orden natural. Se pueden ordenar alfabéticamente o por frecuencia decreciente. Si la variable es ordinal, como el nivel de satisfacción (bajo, medio, alto), el orden natural debe respetarse para mantener la información de jerarquía. La elección del orden afecta la lectura rápida de la tabla, pero no cambia los datos subyacentes.

Construcción de tablas para variables cuantitativas discretas

Las variables cuantitativas discretas poseen valores numéricos que surgen de un proceso de conteo. No pueden tomar cualquier valor dentro de un rango, sino que aparecen como enteros o fracciones específicas. Ejemplos clásicos incluyen el número de hijos por familia, las caras de un dado o las faltas cometidas en un partido de fútbol. Esta naturaleza "contable" simplifica la construcción de tablas, ya que cada valor posible constituye una categoría natural.

Procedimiento de construcción

El primer paso consiste en identificar todos los valores únicos que toma la variable. A diferencia de las variables continuas, donde es necesario agrupar los datos en intervalos (clases), aquí cada número distinto forma su propia fila. Se ordenan estos valores de menor a mayor para facilitar la lectura. Posteriormente, se recorre el conjunto de datos original y se cuenta cuántas veces aparece cada valor. Este recuento es la frecuencia absoluta.

Una vez obtenidas las frecuencias absolutas, se calculan las relativas. La frecuencia relativa indica qué fracción del total representa cada valor. Se obtiene dividiendo la frecuencia absoluta de cada dato entre el número total de observaciones. Esto permite comparar conjuntos de datos de distintos tamaños. La suma de todas las frecuencias relativas debe ser exactamente uno.

Dato curioso: La distinción entre discreto y continuo es crucial. Un error común es tratar el "número de hermanos" como continuo porque los datos son numéricos. Si no hay agrupamiento en clases, la tabla discreta es más precisa que forzar intervalos artificiales.

Las frecuencias acumuladas suman las frecuencias absolutas (o relativas) de manera progresiva. Para un valor dado, la frecuencia acumulada indica cuántas observaciones son menores o iguales a ese valor. Es una herramienta útil para responder preguntas como "¿cuántos estudiantes obtuvieron 3 o menos aciertos?".

Ejemplo práctico

Supongamos que se lanza un dado de seis caras diez veces. Los resultados obtenidos son: 2, 5, 1, 3, 5, 2, 6, 1, 4, 5. La variable es el número de puntos. Los valores únicos son 1, 2, 3, 4, 5 y 6. Contamos las repeticiones: el 1 aparece dos veces, el 2 dos veces, el 3 una vez, el 4 una vez, el 5 tres veces y el 6 una vez. El total de lanzamientos es 10.

La frecuencia relativa para el valor 5 es 0.3, lo que significa que el 30% de los lanzamientos dieron cinco puntos. La frecuencia acumulada para el valor 4 es 6, indicando que en seis de los diez lanzamientos el resultado fue cuatro o menos. Este formato tabular resume la distribución completa del dato discreto de manera eficiente.

Agrupación de datos en intervalos para variables continuas

Las variables continuas, como el peso corporal o la estatura, presentan una particularidad que complica el análisis directo: pueden tomar infinitos valores dentro de un rango. Si medimos el peso de 100 estudiantes, es probable que ninguno tenga exactamente el mismo peso que otro al milímetro. Una tabla con 100 filas distintas sería caótica y poco informativa. Para resolver esto, se agrupan los datos en intervalos o clases.

Este proceso de agrupación transforma una lista larga de números en una estructura manejable. Sin embargo, requiere definir con precisión dónde empieza y termina cada grupo para evitar ambigüedades. La elección correcta de estos límites es fundamental para que la distribución resultante refleje la realidad de los datos sin sesgar la información.

Definiciones clave: límites, amplitud y marca de clase

Cada intervalo tiene un límite inferior (el valor más bajo que incluye) y un límite superior (el valor más alto). Es crucial decidir si los límites son inclusivos o exclusivos para evitar que un dato caiga en dos clases simultáneamente. Por ejemplo, si una clase va de 150 a 155 cm, ¿el estudiante de 155 cm entra en esta clase o en la siguiente?

La amplitud del intervalo es la diferencia entre el límite superior y el límite inferior. En una distribución bien construida, todos los intervalos suelen tener la misma amplitud para facilitar la comparación visual. La fórmula es:

Donde A es la amplitud, Ls​ el límite superior y Li​ el límite inferior.

La marca de clase es el valor representativo de cada intervalo, calculado como el punto medio. Sirve para graficar los datos o calcular promedios aproximados:

Dato curioso: La elección del número de intervalos no es arbitraria. Reglas empíricas como la de Sturges sugieren usar k=1+3.322log10​(n) para n datos, pero en la práctica, la claridad visual suele prevalecer sobre la fórmula estricta.

Ejemplo práctico de agrupación

Imagina que tienes las alturas de 50 estudiantes universitarios. Los datos crudos van desde 152 cm hasta 187 cm. Agruparlos en intervalos de 5 cm resulta efectivo:

En este ejemplo, el intervalo [152, 157) incluye el 152 pero no el 157 (que pasa al siguiente). Esta notación de corchetes y paréntesis elimina la ambigüedad. La marca de clase 154.5 representa a todos los estudiantes de ese grupo en cálculos posteriores. La consecuencia es directa: pasamos de 50 datos dispersos a una distribución clara que muestra dónde se concentra la mayoría de la estatura.

Ejercicios resueltos

La teoría cobra sentido cuando se aplica a datos reales. A continuación, se presentan dos ejercicios resueltos que ilustran el proceso completo: uno con una variable discreta y otro con una variable continua agrupada. Estos ejemplos muestran cómo organizar los datos y calcular cada tipo de frecuencia sin errores comunes.

Ejercicio 1: Variable discreta

Supongamos que se registra el número de hermanos de 10 estudiantes de secundaria. Los datos crudos son: 1, 2, 0, 3, 2, 1, 4, 2, 1, 0.

El primer paso es ordenar los datos para identificar las repeticiones. Al contar las apariciones de cada valor, obtenemos la frecuencia absoluta (ni​). Luego, calculamos la frecuencia relativa (fi​) dividiendo cada ni​ entre el total de datos (N=10). La fórmula es:

Finalmente, sumamos las frecuencias acumuladas. Para el valor 0, hay 2 alumnos. Su frecuencia relativa es 2/10 = 0.20. Para el valor 1, hay 3 alumnos (0.30). Para el 2, hay 3 alumnos (0.30). Para el 3, hay 1 alumno (0.10). Para el 4, hay 1 alumno (0.10). La suma de las relativas debe ser 1.

La tabla muestra que la mayoría de los estudiantes tienen entre 1 y 2 hermanos. El cálculo es directo porque los valores son pocos y enteros.

Ejercicio 2: Variable continua agrupada

Las variables continuas requieren agrupar los datos en intervalos. Imaginemos las alturas (en cm) de 5 estudiantes: 165, 170, 172, 168, 175. El rango va de 165 a 175.

Definimos tres intervalos de amplitud 5: [165, 170), [170, 175) y [175, 180). Es crucial entender que en estadística, el corchete "[" indica que el límite inferior está incluido, mientras que el paréntesis ")" indica que el límite superior queda fuera. Esto evita que un dato pertenezca a dos intervalos a la vez.

Dato curioso: La regla de "cerrado por la izquierda y abierto por la derecha" es estándar en estadística para evitar ambigüedades en los límites.

Clasificamos los datos: 165 y 168 caen en [165, 170). 170, 172 y 175... espera, 175 no entra en [170, 175) porque el límite superior es exclusivo. Por lo tanto, 170 y 172 están en [170, 175), y 175 está en [175, 180).

Calculamos las frecuencias:

• Intervalo [165, 170): 2 datos. Frecuencia relativa: 2/5 = 0.40.
• Intervalo [170, 175): 2 datos. Frecuencia relativa: 2/5 = 0.40.
• Intervalo [175, 180): 1 dato. Frecuencia relativa: 1/5 = 0.20.

Las frecuencias acumuladas son 2, 4 y 5 respectivamente. La suma de las relativas es 1.00. Este método permite resumir grandes conjuntos de datos continuos, como las edades o las estaturas de una población entera.

La precisión en la definición de los intervalos es clave. Un error común es incluir el límite superior en el mismo intervalo, lo que desequilibra los cálculos posteriores. Siempre verifica que la suma de las frecuencias absolutas coincida con el tamaño de la muestra.

Aplicaciones prácticas y representación gráfica

La tabla de frecuencias no es un fin en sí misma, sino el cimiento sobre el cual se construye la visualización de los datos. Sin esta organización previa, los gráficos estadísticos carecen de precisión y pueden engañar al observador. La representación gráfica transforma números abstractos en formas visuales, permitiendo detectar patrones, valores atípicos y la tendencia central de manera casi inmediata.

De la tabla al gráfico: mecanismos de construcción

La elección del gráfico depende directamente del tipo de variable analizada en la tabla. Para variables cualitativas o cuantitativas discretas, el diagrama de barras es la opción estándar. Aquí, la altura de cada barra representa la frecuencia absoluta o relativa de cada categoría. Es crucial que exista espacio entre las barras; este vacío indica que las categorías son distintas y no necesariamente consecutivas en una escala continua.

Para variables cuantitativas continuas, la situación cambia. Se utilizan histogramas, donde las barras se tocan entre sí. Este contacto visual refleja la continuidad del dato. La altura de cada rectángulo en un histograma suele representar la densidad de frecuencia, especialmente si los intervalos de clase no tienen el mismo ancho.

Dato curioso: El término "histograma" fue acuñado por Karl Pearson en 1895. Sin embargo, muchos estudiantes confunden el histograma con el diagrama de barras porque ambos usan rectángulos verticales. La diferencia fundamental no es estética, sino matemática: en el histograma, el área del rectángulo es proporcional a la frecuencia, no solo su altura.

El polígono de frecuencias ofrece otra perspectiva. Se traza uniendo los puntos medios de las caras superiores de las barras del histograma. Esta línea quebrada es útil para comparar varias distribuciones en un mismo eje, ya que permite superponer líneas sin que las áreas se superpongan excesivamente. La claridad visual aumenta cuando se usan colores o estilos de línea distintos para cada grupo.

Importancia en el análisis exploratorio de datos

El análisis inicial de datos, conocido como análisis exploratorio, depende en gran medida de estas representaciones. Antes de aplicar pruebas estadísticas complejas, el analista necesita "sentir" la forma de la distribución. Las tablas de frecuencias acumuladas son particularmente útiles aquí. Permiten calcular fácilmente percentiles y cuartiles, que dividen los datos en partes iguales.

Considera un conjunto de notas de un examen. Una tabla de frecuencias muestra cuántos estudiantes obtuvieron cada nota. Al graficar esto, puede aparecer una curva en forma de campana, lo que sugiere una distribución normal. Si la cola del gráfico se alarga hacia la derecha, hay sesgo positivo; hacia la izquierda, sesgo negativo. Estas formas no siempre son evidentes en una lista cruda de números.

La detección de valores atípicos también se facilita. Un dato que se aleja significativamente del resto del grupo se vuelve visible en el gráfico. En una tabla, ese número podría pasar desapercibido entre cientos de filas. La visualización resalta la excepción.

Además, las tablas permiten resumir grandes volúmenes de información. En lugar de leer 500 datos individuales, el analista observa 5 o 6 intervalos de clase. Esta compresión de la información es esencial para tomar decisiones rápidas en campos como la economía, la biología o la ingeniería. La precisión del resumen depende de cómo se eligen los intervalos en la tabla original.

La consecuencia es directa: sin una tabla de frecuencias bien construida, cualquier gráfico posterior corre el riesgo de ser una ilusión óptica más que una verdad estadística. La estructura tabular impone orden al caos de los datos brutos.

Errores comunes al construir tablas de frecuencias

La construcción de tablas de frecuencias parece mecánica, pero es donde se esconden los errores más costosos en el análisis de datos. Un error de cálculo en la etapa descriptiva puede distorsionar completamente las conclusiones posteriores. La precisión en esta fase no es solo cuestión de orden, sino de rigor matemático.

La suma de las partes y la unidad relativa

Uno de los fallos más frecuentes ocurre al calcular las frecuencias relativas. Muchos estudiantes olvidan que, por definición, la frecuencia relativa representa la proporción de cada categoría respecto al total. Esto implica que la suma de todas las frecuencias relativas debe ser exactamente 1 (o muy cercano a 1, considerando los decimales).

Si la suma resulta en 0.9 o 1.1 sin razón aparente, hay un error de redondeo o de división. La fórmula básica es directa:

Donde ni es la frecuencia absoluta y N es el total de datos. Si olvidas dividir por N, estarás trabajando con porcentajes descontextualizados. La consecuencia es directa: tus comparaciones entre grupos de distintos tamaños pierden toda validez.

Dato curioso: En los inicios de la estadística, antes de la calculadora, era común que los estadísticos sumaran las frecuencias porcentuales y encontraran un 101% debido al redondeo hacia arriba. Esto se aceptaba como el "error del uno por ciento" y no se consideraba un fallo grave, pero en la era digital, esa holgura es menor.

El caos de los intervalos en variables continuas

Al trabajar con variables cuantitativas continuas, la definición de los intervalos de clase es crítica. Un error clásico es crear intervalos solapados o, por el contrario, dejar huecos entre ellos. Si tienes intervalos como [10-20] y [20-30], el valor 20 pertenece a dos clases simultáneamente si no se especifica la notación de corchetes y paréntesis correctamente (por ejemplo, [10, 20) y [20, 30)).

La ambigüedad genera ruido. Otro problema común es confundir los límites de clase con las marcas de clase. El límite es el borde del intervalo; la marca de clase es el punto medio, utilizado a menudo para representar el intervalo en gráficos. Confundirlos desplaza visualmente toda la distribución.

Para evitar estos errores, sigue una regla estricta: define los límites inferiores y superiores antes de contar. Asegúrate de que la amplitud del intervalo sea constante para mantener la comparabilidad visual. Revisa que la suma de las frecuencias absolutas coincida con el tamaño de la muestra original. Si los datos no encajan perfectamente, el error está en la definición de los bordes, no en los datos mismos.

Preguntas frecuentes

¿Qué es la frecuencia absoluta?

Es el número total de veces que aparece un valor específico dentro del conjunto de datos. Se obtiene simplemente contando las repeticiones de ese valor.

¿Cómo se calcula la frecuencia relativa?

Se calcula dividiendo la frecuencia absoluta de cada valor entre el total de datos. El resultado suele multiplicarse por 100 para expresarse como porcentaje.

¿Cuándo se deben agrupar los datos en intervalos?

Es necesario agrupar en intervalos cuando la variable es cuantitativa continua y tiene muchos valores distintos, o cuando la variable discreta tiene un rango muy amplio de valores.

¿Qué diferencia hay entre frecuencia absoluta acumulada y relativa acumulada?

La absoluta acumulada suma las frecuencias absolutas de los valores anteriores más el actual, mientras que la relativa acumulada suma las frecuencias relativas, indicando qué proporción del total se ha cubierto hasta ese punto.

¿Se pueden usar tablas de frecuencias para datos cualitativos?

Sí, son muy útiles para variables cualitativas (como género o color), donde se cuenta cuántas veces aparece cada categoría, aunque no siempre se ordenan numéricamente como las cuantitativas.

Resumen

Las tablas de frecuencias permiten resumir datos mediante frecuencias absolutas, relativas y acumuladas, facilitando el análisis inicial de variables cualitativas y cuantitativas. Su correcta construcción, incluyendo la agrupación en intervalos para datos continuos, es esencial para evitar errores de interpretación y preparar los datos para representaciones gráficas como histogramas y diagramas de barras.

Véase también

• Cálculo y geometría analítica
• Cómo funcionan los logaritmos
• Biblioteca del Departamento de Matemática
• Modelos de Lhermite
• Resta de vectores
• Tecnicatura Universitaria en Gestión Integral de Bioterios
• Eliminación de Gauss-Jordan
• Cálculo y análisis matemático

Referencias

1. «estadística tabla de frecuencias» en Wikipedia en español
2. Frequency Distribution — Wolfram MathWorld
3. Tablas de frecuencia y gráficos estadísticos — Khan Academy
4. Descriptive Statistics: Frequency Distributions — Lumen Learning
5. Estadística descriptiva: Tablas de frecuencias — Universidad de Valencia