Regla de Sturges: Explicación,

Aplicaciones y Ejemplos
Por
Vincenzo Jesús D'Alessio Torres

Compartir en Facebook

Compartir en Twitter

La regla de Sturges es un criterio utilizado para determinar el número de

clases o intervalos que son necesarios para representar gráficamente un
conjunto de datos estadísticos. Esta regla fue enunciada en 1926 por el
matemático alemán Herbert Sturges.

Sturges propuso un método sencillo, basado en el número de muestras x

que permitiesen encontrar el número de clases y su amplitud de rango. La
regla de Sturges es muy utilizada sobre todo en el área de la estadística,
específicamente para construir histogramas de frecuencia.

Índice [Ocultar]
 1 Explicación
 2 Aplicaciones
 3 Ejemplo
 4 Referencias

Explicación
La regla de Sturges es un método empírico muy utilizado en la estadística
descriptiva para determinar el número de clases que deben existir en un
histograma de frecuencias, para así poder clasificar un conjunto de datos
que representan una muestra o población.

Básicamente, con esta regla se determina el ancho de los contenedores

gráficos, de los histogramas de frecuencia.

Para establecer su regla Herbert Sturges consideró un diagrama de

frecuencias ideal, que consta de K intervalos, donde el i-ésimo intervalo
contiene un determinado número de muestras (i = 0,… k – 1),
representado como:

Ese número de muestras es dado por el número de formas en que puede

extraerse un subconjunto de un conjunto; es decir, por el coeficiente
binomial, expresado de la siguiente manera:
 Luego, Sturges relacionó que el
histograma de frecuencias se aproximará a una distribución normal cuando
el número de intervalos (k) aumente según el teorema central del límite.
De tal forma que se puede calcular el número de muestras de cada uno de
los intervalos:

Para simplificar la expresión, aplicó las propiedades de los logaritmos en

ambas partes de la ecuación:

Así, Sturges estableció que el número óptimo de intervalos k es dado por la

expresión:

También puede ser expresada como:

En esta expresión:

– k es el número de clases.

– N es el número total de observaciones de la muestra.

– Log es el logaritmo común de base 10.

Por ejemplo, para elaborar un histograma de frecuencia que exprese una

muestra aleatoria de la estatura de 142 niños, el número de intervalos o
clases que tendrá la distribución es:

k=1 + 3,322 * log10 (N)

k=1+3,322* log (142)

k=1+3,322* 2,1523

k=8,14 ≈ 8

Así, la distribución será en 8 intervalos.

El número de intervalos siempre debe estar representado por números

enteros. En los casos en los que el valor sea decimal, se debe hacer una
aproximación al número entero más próximo.

Aplicaciones
La regla de Sturges es aplicada principalmente en estadística, ya que esta
permite realizar una distribución de frecuencias a través del cálculo del
número de clases (k), así como la longitud de cada una de estas, conocida
también como amplitud.

La amplitud es la diferencia del límite superior e inferior de la clase,

dividido entre el número de clases, y se expresa:

Existen muchas reglas empíricas que permiten hacer una distribución de

frecuencias. Sin embargo, la regla de Sturges es comúnmente usada
porque hace una aproximación del número de clases, que generalmente va
de 5 a 15.

De esa forma, considera un valor que representa adecuadamente una

muestra o población; es decir, la aproximación no representa agrupaciones
extremadas, así como tampoco trabaja con un número excesivo de clases
que no permitan resumir la muestra.

Ejemplo
Se necesita realizar un histograma de frecuencia de acuerdo a los datos
dados, que corresponden a edades obtenidas en una encuesta realizada a
hombres que hacen ejercicios en un gimnasio de la localidad.
Para determinar los intervalos se debe saber cuál es el tamaño de la
muestra o el número de observaciones; en este caso, se tienen 30.

Luego se aplica la regla de Sturges:

k=1 + 3,322 * log10 (N)

k=1+3,322* log (30)

k=1+3,322* 1,4771

k = 5,90 ≈ 6 intervalos.

A partir del número de intervalos, se puede calcular la amplitud que estos

van a tener; es decir, la anchura de cada barra representada en el
histograma de frecuencias:

El límite inferior es considerado como el valor menor de los datos, y el

superior es el valor mayor. La diferencia entre el límite superior e inferior
es denominada rango o recorrido de la variable (R).
De la tabla se tiene que el límite superior es 46 y el inferior 13; de esa
manera, la amplitud de cada clase será:

Los intervalos estarán compuestos por un límite superior e inferior. Para

determinar esos intervalos se comienza contando desde el límite inferior,
sumándole a este la amplitud determinada por la regla (6), de la siguiente
manera:

Luego se calcula la frecuencia absoluta para determinar el número de

hombres que corresponden a cada intervalo; en este caso es:

– Intervalo 1: 13 – 18 = 9

– Intervalo 2: 19 – 24 = 9

– Intervalo 3: 25 – 30 = 5

– Intervalo 4: 31 – 36 = 2

– Intervalo 5: 37 – 42 = 2
– Intervalo 6: 43 – 48 = 3

Al sumar la frecuencia absoluta de cada clase, esta debe ser igual al

número total de la muestra; en este caso, 30.

Posteriormente se calcula la frecuencia relativa de cada intervalo,

dividiendo la frecuencia absoluta de esta entre el número total de
observaciones:

– Intervalo 1: fi = 9 ÷ 30 = 0,30

– Intervalo 2: fi = 9 ÷ 30 = 0,30

– Intervalo 3: fi = 5 ÷ 30 = 0,1666

– Intervalo 4: fi = 2 ÷ 30 = 0,0666

– Intervalo 5: fi = 2 ÷ 30 = 0,0666

– Intervalo 4: fi = 3 ÷ 30 = 0,10

Luego se puede realizar una tabla que refleje los datos, y también el
diagrama a partir de la frecuencia relativa con relación a los intervalos
obtenidos, como se puede observar en las siguientes imágenes:
De esa manera, la regla de Sturges permite determinar la cantidad de
clases o intervalos en los que puede ser dividida una muestra, con la
finalidad de resumir una muestra de datos a través de la elaboración de
tablas y gráficas.

Referencias
1. Alfonso Urquía, M. V. (2013). Modelado Y Simulación De Eventos
Discretos. UNED,.
2. Altman Naomi, M. K. (2015). “Simple Linear Regression.” Nature
Methods .
3. Antúnez, R. J. (2014). Estadística en la educación. Digital UNID.
4. Fox, J. ( 1997.). Applied Regression Analysis, Linear Models, and
Related Methods. SAGE Publications.
5. Humberto Llinás Solano, C. R. (2005). Estadística descriptiva y
distribuciones de probabilidad. Universidad del Norte.
6. Panteleeva, O. V. (2005). Fundamentos de Probabilidad y
Estadística.
7. O. Kuehl, M. O. (2001). Diseño de Experimentos: Principios
Estadísticos de Diseño Y análisis de Investigación. Thomson
Editores.